1．目的及意义

1.1研究背景

随着数字图像处理技术的不断发展和进步，其研究成果已经被广泛的应用到了许多领域之中。其中，图像分割作为数字图像处理中的一个基本问题，是图像理解的重要组成部分。

1.2目的和意义

图像分割是图像处理应用中的基本步骤，其目的是为了将图像中人们所感兴趣的部分提取出来，为后续处理分析提供基础．

图像分割可应用到医学影像人脸识别、指纹识别和机器视觉等领域．另外近些年来，国内外的研究者对超像素进行了大量的科学研究，超像素不仅在图像分割领域中得到了广泛的应用，还被应用到了包括骨架提取、人体姿态估计、目标跟踪、目标识别等计算机视觉的研究领域之中。

1.3当前现状

目前国内外常用的图像分割算法有阈值分割法、边缘分割法 、区域分割法 、基于人工神经网络的分割算法等．这些算法可以总结为两类，第一类是基于局部信息的分割算法，第二类是基于全局信息的分割算法．在传统图像分割的方法中，是以像素为基本处理对象的，并没有考虑到像素之间的空间和组织关系，但是随着技术的不断发展，所要分割图像的尺寸变得越来越大，导致算法的处理效率过低。2003 年，Ｒen等人第一次提出了超像素的概念，所谓的超像素，就是指由许多相似的相邻像素点所组成的图像块。超像素分割就是指将像素聚合成超像素图像块的过程。根据像素间特征的相似性进行分组从而产生超像素，可以有效的降低所要处理的信息的规模，也为后续的图像处理过程减小了复杂度。目前，较流行的超像素方法，利用尺度思想将图像分割生成多个同质性区域，它捕捉图像的冗余，更有利于从中计算图像特征，并降低了后续图像处理的复杂程度。因此，基于超像素的图像分割方法以其良好的分割边界、高效处理速度及较低的计算复杂度，广泛应用于图像分割预处理过程中。目前，产生超像素的方法主要分成2 类: 基于图论的方法和基于梯度上升的方法。基于梯度上升的分割方法首先得到一个粗略聚类，利用梯度上升的方法改进前一次迭代聚类的结果，直到收敛。基于梯度上升的方法主要有均值漂移( Mean Shift)、快速漂移( QuickShift)及简单线性迭代聚类( Simple Linear IterativeClustering，SLIC) 等。基于图论的方法把图像分割问题关联到最小割问题，将图像映射为带权的无向图，图中每个节点对应于图像每个像素，边权值表示相邻像素间相似度，分割的最优原则是类内间相似度最大，类类间相异度最大。基于图论的分割方法主要有归一化分割、基于图的分割、图分割等。

{title}

2. 研究的基本内容与方案

{title}SLIC 方法是通过改进传统K 均值方法，即考虑像素的颜色信息又充分利用像素的空间信息，将颜色相似、图像空间距离接近的像素点聚集在一起的一种高效方法。在CIELAB 颜色图像空间存在2 个特征向量: 像素i 彩色值Ci =［Li，ai，bi］和在二维空间中位置Si =［xi，yi］T。采用新的距离度量方法改进超像素的形状，与一般特征空间欧式距离有所不同，SLIC 方法克服了传统欧式距离在当空间上点超越颜色距离极限时偏向于像素颜色的相似性，所导致的超像素不再考虑区域边界的问题。k 从初始聚类中心Ci =［li，ai，bi，xi，yi］T 开始均匀地采样，为避免出现超像素中心在边界位置及噪声像素冒充种子像素的现象，将聚类中心限定在最低梯度量的3 × 3 邻域内移动，每一个像素通过与最近邻聚类中心距离D 来进行聚类。该方法处理第一步迭代后的图像没有特别强调像素间的联通性，结果可能会形成许多小的、孤立的分割点。而对于最后一步迭代后孤立的点，SLIC 形成形状、大小一致的超像素作为下一步的应用，将孤立点无限制地归为孤立点所在位置的最大邻域内，显然这种做法对分割结果准确率是有很大影响的。针对SLIC 方法存在的问题，利用Sigma 滤波器来避免过多的错误迭代。传统Sigma 滤波器是建立在假设窗口内像素灰度值与其中心像素的灰度值比较接近的基础上的，将滑动窗口中与中心像素偏差小于2δ 的所有像素取平均，并设置平均像素的限制条件以滤除孤立的噪声点。因此，在第一次迭代后，设定条件假设窗口内像素的矢量值与其中心像素的矢量在αδ范围内，满足这个条件方能更新聚类中心模型，若不符合相似条件，则不能合并，需要寻找另一个与之亮度值相似的聚类中心，方能完成聚类。3. 参考文献

1．张志涌，杨祖樱 等，MATLAB教程，北京航空航天大学出版社，2015.01

2. Radhakrishna Achanta, et al.，SLICSuperpixels Compared to State-of-the-Art