马尔可夫随机场(Markov random field)是机器视觉和数字图像处理中的重要模型之一。马尔科夫随机场的理论研究也很活跃,该理论一直以来都有着层出不穷的新课题,其理论符合人们对天然事物的直观认知。在数字图像处理领域中,马尔科夫随机场本身并不具备某种特定的能力,也不是图像处理中某种方法。它描述的是具有马尔可夫性的某些事物的集合,可以很好的利用事物的先验知识,作为先验模型嵌入到一些具有特定作用的算法中。因其模型参数少、可以刻画空间信息、具备一套完善的数学理论体系等优点一直备受关注。数字图像处理主要有两个目的:一是获取或者生成适合人们识别和观看的图像;二是帮助计算机理解和识别图像中的目标。图像分割是达到这两种目的的非常关键的步骤。它把图像分割为各据特性的区域,并且可以把感兴趣的目标提取出来,为后续对特征的提出和估计测量等步骤奠定基础。马尔可夫随机场提供了一个通用的框架,在图像处理问题中,它可以方便的使用各种不同的特征,也可以充分考虑不同类型的像素间的交互关系。马尔科夫随机场的能量函数考虑相邻像素点间的依赖关系,建立像素与其邻居的相关性,增加它们落入同一区域的概率。成功地将图像分割问题转变为一个可预测的、可控的问题。本文主要研究了以条件迭代算法(ICM)来实现的马尔科夫图像分割算法,该算法采用随机预分类对图像进行初步分割,有着迭代次数多,容易使部分区域陷入局部最优解的缺点,同时对边缘轮廓等细节的分割精度不足。但是其理论基础简洁、模型易于实现,可以改变耦合系数,自定义分类数以及迭代次数,为了达到较为理想的分割结果,对不同场景参数的调整比较灵活,拥有较好的可塑性和利用价值。本文将马尔科夫随机场图像分割算法和基于图的图像分割(GBIS)算法结合,GBIS算法考虑像素点的YCbCr距离,通过简单的贪心聚类算法快速地对图像进行分割,对光照不均匀以及颜色渐变区域的分割具有较好的结果,但是对边缘的划分较模糊。本文将该算法和传统的马尔科夫图像分割算法相结合,成功利用了两个算法的优点,大大减少了迭代次数,使结果更快达到稳定,改善了原始马尔科夫图像分割算法方法达到局部最优的情况,改进的算法克服了光照影响以及颜色渐变区域难以识别的难题,拥有更好的鲁棒性。通过对头像、建筑、野外等不同场景的大量仿真实验结果的对比表明,本文提出的算法效果更好。