张 健

（长沙理工大学 物理与电子科学学院，湖南 长沙 410114）

0 引 言

随着计算机技术与数字图像技术的发展，拥有多种先进学科共同支撑的机器视觉，频繁活跃于视频监控、人脸识别、指纹识别及医用图像检测等[1]。如何提高图像处理系统的性能，一直是机器视觉的核心问题。作为图像处理系统中对图像进行预处理的关键一步，图像分割则成为辨别图像信息和研究图像特性的有效处理手段。通过对图像的分割操作，能够大幅降低图像处理的繁琐程度和不必要的冗长算法，使图像更容易理解和分析，从而为图像的后续操作提供便捷[2-3]。

图像分割方法多种多样。传统的图像分割是将像素点视作基本处理对象，而随着人们对图像认知的要求越来越高，尤其是对高清视频图像和3维图像，传统方法已然暴露缺点，即图像信息量大导致算法复杂、处理过程耗时耗力、处理结果与预期不符等。直到21世纪初期，出现了超像素这个新颖的概念[4]。后经学者们不断探讨研究，超像素在图像分割领域的地位愈发重要[5]。本文介绍机器视觉中的尺度可控图像分割方法，实际上就是以超像素为处理对象的新型超像素分割方法。

1 图像分割的数学定义

从数学观点出发，将图像分割按照集合的概念定义为：将整个待处理图像区域看成是非空全集U，则对该图像区域的分割便可以当成是将全集U划分成n个满足以下四个条件的非空子集U1,U2,…,Un，即图像的子区域。

分割后所有子区域的并集是原图像：