近年来，随着计算机性能水平的不断提高，它在人们的工作、生活中扮演着不可替代的角色。与此同时，人们也越来越希望计算机不仅能完成基本的运算功能，更期盼它能像人一样去认识世界，感知世界。这种需求和推动在各个学科的发展中都有所回应，在计算机视觉这个领域，对图像语义内容的抽取就是一个很热门的切入点，也是未来该学科进一步发展的一个突破点。本文所探讨的边界提取其实就是传统的边缘检测朝这个方向发展的具体体现。　　 边界不同于传统的边缘，它定义了目标的外表形状，是确定目标与周围环境的分界线，表示像素的所属权从一个对象到另一个对象的改变。而边缘只是表明了图像中灰度、纹理、亮度等发生跳变的特性。可以说，边界是更高语义层次的边缘。虽然现在已有一些算法尝试去解决边界提取的难题，但本文从另一个角度出发提供了一种可能的途径。　　 传统的边缘检测或者边界提取都是以单幅图像为处理对象，而本文却以立体图对为出发点进行边界提取的研究。我们从有颜色差异的立体图对出发，通过颜色校正、立体匹配，最后完成边界提取的功能。可以说，本文给出的是一个比较系统化的解决方案。在本文的研究中，我们主要对以下几个相关问题进行了深入探讨：　　 针对实际应用中如何选择分割算法的问题，提出了一种基于主观评价的图像分割评价算法。该算法首先让参与者对分割结果进行主观打分评价，然后对打分结果进行统计分析，从不同角度比较各算法的性能。在此过程中，我们着重考虑了每个算法的参数选取问题，并将算法性能的比较建立在10 组代表性参数的基础上。这就使得最终的评价结果更加公正可信，而这点也正是其它评价算法所忽视的和没有很好解决的问题。　　 针对立体图对间颜色不一致的问题，提出了一种基于图像分割和特征点匹配的颜色校正算法。本算法的关键是基于分区域补偿的思想，这就避免了对图像“一刀切”式的整体补偿与局部区域需求的补偿不吻合的矛盾。同时，本算法直接对立体图对进行补偿，不需要采用标准颜色板等复杂的校正手段，这使得本算法操作简便，应用范围更广。本方法还可以方便地移植到多摄像机系统中。　　 针对分类问题中当类的先验概率无法确定或者是处于变化当中时，分类器难以设计或者设计的分类器性能不高的问题，提出了一种基于分段线性化的分类器设计方法。该方法是在探讨最小最大风险准则判决不足的基础上引出的，也是对贝叶斯判决的近似。这不仅是一种通用的分类器设计方法，而且为本文边界提取提供了一个很好的解决方法。　　 图像分割数据库的建立。和现有的图像分割数据库不同，我们建立的数据库是基于立体图对的，既包含了手工分割的结果，又有标准的深度信息。这为图像分割和边界提取方面的研究提供了一个新的实验平台。　　 将深度信息和其它底层信息融合起来，用分类判决的方法解决边界提取问题。传统的边界提取算法是对单幅图像进行处理的，而本文算法是在立体图对的基础上进行研究，这为边界检测的发展提供了一个新的思路。同时，本文对边界提取问题给出的是一个比较系统的解决方案，具有很强的实用性。