图像能非常直观的表现生活。随着计算机技术的迅速发展,多媒体技术、模式识别和计算机视觉等技术都需要运用图像前景提取。运用计算机进行图像前景提取的研究也越来越重要。图像前景提取是运用图像处理算法快速、准确的提取出图像中我们感兴趣的信息。由于自然图像的复杂性,图像前景提取有时会非常困难和不准确。例如：前景中有细小的毛发、前景、背颜色相似时,会加大图像前景提取的难度,造成结果不准确。本文对Poisson前景提取算法进行研究和实现,Poisson前景提取算法将自然图像透明度看作场,用户获得场的边界后,解Poisson方程得到α值。它将图像提取操作看作一个整体,可以减少由于颜色误分类而造成的错误。但Poisson前景提取算法是选取距离最近的点作为未知像素的采样点,丢失了大量的候选采样点,前景提取结果不准确。针对Poisson前景提取算法对细节处理不精确的缺点提出了基于全局的Poisson前景提取算法,主要包括以下内容：本文首先分析了Poisson前景提取算法的基本原理并编程实现该算法。然后分析Poisson前景提取的优缺点。针对Poisson前景提取算法的缺点提出了基于全局的Poisson前景提取算法并编程实现该算法。为了能够得到更好的前景、背景采样点,基于全局的Poisson前景提取算法定义了一个代价函数。代价函数包含颜色代价和距离代价两个分量,这两个分量的比重对前景提取的结果有较明显的影响,所以本文对代价函数中各分量的比重进行深入的分析研究,并提出了比重的参考取值。为了能够更快、更好的得到最优采样点,本文提出了扩散、搜索的方法,并对扩散搜索的有效性和精确性进行分析。扩散方法是通过在较小的邻域内计算各采样点的代价寻找代价最小的采样点,它能够得到邻近区域的最优解；搜索方法是通过一定的规则跳跃式的寻找最优采样点,它能够加快寻找最优采样点的速度。最后,通过实验分析比较Poisson前景提取算法和基于全局的Poisson前景提取算法。实验证明：基于全局的Poisson前景提取算法会得到更精确的前景提取结果。