杨志尧，彭召意，文志强

(1.湖南工业大学计算机学院,湖南 株洲 412007；2.智能信息感知及处理技术湖南省重点实验室,湖南 株洲 412007)

0 引 言

图像分割作为计算机视觉领域的核心内容之一，相关的研究工作早在20世纪60年代就已经开始。传统的图像分割算法主要包括阈值法[1]、边界检测法[2]、区域法[3]等。近年来，随着深度学习在图像分类、检测与识别等方面有了重大的进展并逐渐扩展到图像分割领域，图像分割技术在此影响下也有了不少突破性进展。其中，图像语义分割领域因其所具有的重大应用价值越来越受人们的关注。目前，图像语义分割技术在自动驾驶、医学影像分析和地质勘探等多个领域都有着广泛的应用。

传统的图像分割算法往往是基于图像的底层信息，主要针对具有相同颜色、纹理或者形状的图像区域进行分割[4]。因此，当图像所含信息较为复杂时，使用这类分割算法通常达不到预期的分割效果。更为常用的方法则是利用图像中特征相似的相邻像素组成的图像块并结合其他学科或领域的理论和方法来辅助图像分割[5]。例如在图像分割问题中引入图论的理论方法，将对图像的分割转换成对带有权值的无向图的顶点标注问题，从而获得被称为超像素的图像块[6]。

图像语义分割通常需要结合图像所包含的具有某种特定语义的对象的分类信息来辅助图像分割。Ohta等人[7]将语义分割的概念归纳为：为图像中的每个像素赋予一个具有特定语义信息的分类标签。……