由于自然图像中都包含了十分丰富的信息，如形状、纹理、边缘等，长久以来一直没有对于图像分割问题的统一的定义。其中比较传统和正式的定义是指将图像划分成几个互不相交的，具有特殊含义的不同区域，且每个特定区域都要满足区域的一致性。实际上，图像分割问题的解往往是不唯一的，因此分割问题本身是“病态”的，对感兴趣的对象难以用统一的方法来描述，由于各种图像分割方法具有一定的局限性和针对性，没有一个统一的分割方法能适用于各个领域，因此实际应用中需要依据各领域的需求来选择合适的分割方法。此外，分割任务的不同也是影响某种分割算法选择的因素之一，这里的任务指的是在同时在单独一幅图像、两幅图像或者多幅图像中来进行分割。64534

从 70 年代起图像分割问题一直吸引着国内外研究人员为此努力， 至今已提出了上千个各种类型的分割算法，这里将这些算法从五个不同的角度进行分类。首先从宏观的理念上区分，可以将分割分为自下而上的分割（Bottom-up segmentation）[8]和自上而下的分割（Top-down segmentation algorithms）。较为常用的边缘算子、阈值分割和数学形态学分割都属于自下而上的分割，但是这种分割方式对很多分割问题无能为力，因为其只是利用了图像的低层知识，这就导致了近期自上而下的分割理念的提出。自上而下的分割方法利用特定种类的图像信息进行分割，取得了成功。如目前热点研究的主动轮廓模型（Active contour model，ACM）就是一种自上而下、可以利用人的高级识别能力进行轮廓提取的分割模型。从人机交互的程度上看，图像分割方法可以分为两种体系：以计算机为单一执行者的自动分割方法和人机结合的交互式分割方法。根据分割是利用的图像特征不同，分割算法又可以分为基于区域的分割和基于边缘的分割[8]。两者的区别是：前者通常利用同一区域内的均匀性识别图像中不同区域 ，如区域增长，而后者则利用区域间的不同性质，如区域内灰度不连续性来划分各个区域之间的分界，如 Snakes 方法。根据视觉意义又可以得到如下分割方法：基于颜色一致性的分割，基于纹理的分割，语义意义上的分割等等。最后，根据所采用的最优化方法的不同可以分为全局最优的分割，如图割算法和局部最优的分割，如水平集算法。

最近几年不少的研究人员对数字图像抠图技术进行了分析与研究，提出了各种各样行之有效的自然图像抠图算法。大多数抠图方法都依赖于用户的指导和事先假定图像的统计分布来制约抠图问题，以取得未知量的良好估计值。现有的自然图像景抠图技术可以分成三类，即：蓝屏抠图技术、基于trimap的自然图像抠图技术和基于线条的自然图像抠图技术。 

1 蓝屏抠图技术

[6]在早期的抠图技术中，通过将前景置于一种已知背景中拍摄来然后利用色度的区别，把单色背景去掉，这个已知背景通常为蓝色，由此通常被称之为蓝屏抠图。在这种情况下，虽然已经知道场景中的背景颜色是一个常量，但是混合像素点的前景颜色仍然未知。Smith和 Blinn非常详细的研究了这个问题，通过求解抠图方程组，分析了蓝屏抠图各种精确解的情况。在抠图方程组中，假设未知像素点前景颜色蓝色通道值和绿色通道值满足关系（2），在这种假设下，可以推算出每一点的alpha解为(3) 

         0.5≤α2≤Fb≤α2Fg                    （1.5）

         α=1-α1(Ib-α2Ig)                     （1.6）