本征图像分解能为计算机视觉和计算机图形学领域的很多应用提供大量有用的信息,该算法的目标是将一幅图像分解生成反射率层图片和光照层图片。由于该分解过程中有两个待求解的未知量和一个已知量,因此这是一个病态问题,需要引入更多的信息来辅助进行求解。但是目前的分解方法在较复杂的应用场景上仍具有很明显的限制。因此,我们提出采用交互式的分解方法来进一步优化结果。本文提出的方法是基于现有的自动本征图像分解方法的结果,通过添加简单的交互笔触作为引导来进行优化,包含基于反射率层的引导式交互和基于光照层的引导式交互。为了减少交互的人工成本,我们利用一类支持向量机(one-class SVM)对交互笔触所划过的相关点对信息进行学习,并将其效果进行有效扩散。在学习过程中,我们引入超像素的方法来对算法进行加速。除此之外,我们还在算法中加入了结果引导项来进一步解决强烈阴影区域的分解问题。同时,为了使得局部优化结果和全局结果有较好的融合,我们引入了一个典型的自动分解算法来进一步优化结果。为了可以及时保留较好的优化结果,减少重复分解,我们采用了增量式优化的方式。本文中的分解模型可推导成一个具有闭形式解的二次函数最小化的问题。我们在多种类型的自动本征图像分解方法的基础上,利用本征图像分解领域常用的标准数据集和其他一些自然图像进行了实验,观察得到该算法对原有自动分解结果均有较大提高。同时,较其他现有的交互分解方法而言,我们能得到相似的甚至更好的优化结果。并且,我们的方法较具有更广泛的应用性。