杜伟杰， 于晋伟， 杨卫华

(太原理工大学 数学学院， 山西 晋中 030600)

0 引 言

图像分割是视觉计算应用的预处理步骤， 研究者在图像分割领域得到诸多经典分割方法， 如分水岭分割[1]、 归一化割[2]、 基于图的分割[3]、 统计区域合并[4]等. 然而， 随着高性能预处理需求的增加， 一些经典的分割方法逐渐显示出它们的局限性， 超像素算法成为更高效的预处理方法. 超像素区域一般定义为一幅图像中感知均匀和同质的区域[5]. 超像素算法的一个主要优势是能够提高相应系统的计算效率. 与原图像的像素数目相比， 超像素区域映射为像素点使得要处理的像素数目大量减少， 提高了后面阶段的处理速度. 超像素允许以更大的尺度去研究图像， 它能以较好的空间支持去计算区域特征. 超像素算法广泛应用于目标检测和追踪[6]、 图像分割与模型化[7-8]、 显著性检测[9-10]与目标分类[11]等方面.

2009年以来， 超像素算法研究领域得到持续关注. 2009年， Levinshtein A 等人提出了Turbopixel的方法， 它是在水平集中引入空间约束获得稠密的过分割和紧凑的超像素[12]. 2012年， Achanta R提出了在均值聚类方法中嵌入空间约束的超像素方法[5]. 这两种方法都可以有效地产生超像素， 然而这两种方法都需要复杂的迭代过程去细化结果. 2015年， Hu Z采用了一种空间约束的分水岭超像素算法(Spatial-constrained Water-shed， SCOW)[13]， 该算法引入了空间约束和均匀标记去获得紧凑和均匀分布的超像素. 虽然该方法提升了速度， 但是该方法产生的规则的相邻区域通常破坏……