郭 伟，李红达，邢宇哲

(辽宁工程技术大学软件学院,辽宁 葫芦岛 125105)

1 引言

图像分割是按照一定的相似性准则把图像划分成一定数量区域的过程，图像分割是图像处理的前期阶段，在实际的处理中有着非常广泛的应用，已在目标识别、模式识别、人工智能等众多领域得到了普遍的应用。

目前，图像的尺寸越来越大，直接在像素粒度层面上对图像进行处理的计算效率较低，这就要求减少像素数量，扩大像素所代表的含义。2003年，Berkeley大学机器视觉实验室的Ren等人[1]第一次提出了超像素这个概念，所谓超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的子区域。超像素分割就是把像素聚类成超像素的过程。它通过像素的聚合保存了图像的边界信息，降低了后续图像处理的复杂度。超像素分割算法加速了图像处理的速度，并很好地保留了边界信息。Moore等人[2]提出的SL(Superpixel Lattices)算法采用Canny边界检测算法获得原始图像边界，再不断地在垂直和水平两个方向寻找最优路径把图像分割成超像素。Bergh等人[3]提出了SEED(Superpixels Extracted via Energy-Driven Samplin)算法，该算法不断修正网格元素的超像素边缘点，最终得到分割结果。简单线性迭代聚类算法SLIC (Simple Linear Iterative Clustering)是在CIELAB彩色空间的X-Y坐标下的五维特征向量，把N个像素点聚类成K类。相比于其他超像素分割算法，该算法分割速度快，能形成形状规则、大小均匀的超像素[4，5]，该算法的时间复杂度仅为O(n)，在处理高分辨率图像时可以减少时间复杂度，而且分割的数目和边缘贴合度是可控的。……