图像分割是计算机视觉领域的基础问题，也是图像分析与处理的重要环节。它是指根据一定的特征如颜色、纹理和透明度等以及相似性准则，将图像划分为若干个互不相交的子区域（超像素）。图像分割目的是为了简化或者改变图像的表示，以便后续的图像分析与处理。经过几十年的研究与发展，大量的图像分割算法相继被提出，但是至今还没有找到一种通用的图像分割算法，不同的图像分割算法分别适用于其特定的应用场景。目前，图像分割技术已经得到广泛的应用，在目标跟踪、人体姿势识别、生物医学图像以及机器视觉等领域发挥着重要的作用。 超像素分割是图像分割研究中的一个热点问题。超像素分割根据图像中像素点的纹理、颜色和亮度等特征将图像过分割为超像素图，能够有效的减少图像局部信息的冗余，显著降低图像处理的复杂度和运算量，而且充分保留了对图像进行进一步处理的有效信息。目前，超像素分割已经广泛应用于图像处理领域。 本文深入研究了典型的超像素分割算法，并提出了一种基于密度和距离度量聚类的超像素分割算法，主要工作和研究成果如下： 首先，介绍了基于图论和梯度信息的典型超像素分割算法，并针对NC算法，FH算法，ERS算法，Turbopixels算法和SLIC算法进行了实验仿真，结合实验结果对以上算法进行了比较。此外，本文还介绍了超像素分割的主观评价和客观评价准则，作为评价超像素分割算法的标准，同时也为本文提出的超像素算法性能评价提供了客观依据。 其次，针对超像素算法应在保证分割准确性前提下运算速度较快的要求，结合快速搜索和核聚类的聚类方法，本文提出了一种基于聚类的超像素分割算法。实验结果表明，该算法在保证了分割准确度的前提下，能够较快地产生超像素分割区块，为后续的图像分割提供了良好的基础，达到了较为理想的分割效果。 最后，针对没有结合超像素分割的图像分割算法存在的收敛速度较慢，分割边界不平滑的问题，本文将超像素分割方法与一般的图像分割方法相结合，对图像进行分割和目标提取，取得了较为精确的分割效果，同时也有效降低了算法的耗时。
NETL
