1. 研究目的与意义（文献综述）

图像分割是指按照一定的相似性准则将图像划分成具有特殊语义的不同区域，其研究最早可以追溯至20世纪60年代，已历经几十年的发展。图像分割作为计算机视觉领域的基本问题，是图像理解的重要组成部分。与此同时，它在图像处理、模式识别和人工智能等多个领域也扮演了关键的角色。

目前对图像的处理大多以像素为单位，用二维矩阵来表示一张图像，并未考虑像素之间的空间组织关系，这使得算法处理效率过低。2003年，ren等人最早提出了超像素这一概念，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图像块。它利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂度。

超像素生成算法大致可分为基于图论的方法和基于梯度下降的方法两类。具有代表性的基于图论的超像素分割方法有felzenswalb等人提出的graph-based方法、shi等人提出的ncut(normalized cuts)方法、moore等人的superpixel lat—tice方法和liu等人提出的基于熵率方法。其中ncut算法利用轮廓特征和纹理特征来全局最小化代价函数，它能生成规则的超像素，但是图像边界的保持效果不好、计算量较大，处理大图片时速度很慢。graph—based方法使用最小生成树的思想来分割图像，它能较好地保持图像边界，速度较快，但是得到的 超像素大小和形状都不规则。superpixel lattice方法保持了图像的拓扑结构信息，但性能严重依赖于预先提取的图像的边界。熵率法提出了包括图像随机游走熵率和平衡项的目标函数，通过最大化目标函数以实现分割，它产生的超像素比较规则和均匀。

2. 研究的基本内容与方案

2. 研究（设计）的基本内容、目标、拟采用的技术方案及措施

2.1 研究目标

在计算机视觉领域，图像分割（segmentation）指的是将数字图像细分为多个图像子区域—像素的集合（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。

3. 研究计划与安排

第 1 周：进行开题报告的撰写

第 2 周：学习 python和开发环境的使用；

第 3 周：学习图像分割算法；

4. 参考文献（12篇以上）

[1]王猛，李玉良，王庆飞图像处理在矿井瓦斯监控中的应用研究[j].工矿自动化，1671 -251x(2011)07 -0061 -04 .

[2]田丽军.煤矿监控中火灾图像分割方法研究[j].煤炭技术，1008-8725（2011）07-0083-03.

[3]李忠杰，胡文涛，胡宁.图像分割技术在煤矿生产中的应用[j].价值工程，1006-4311（2012）11-0151-02.