近年来,随着移动终端设备的普及,图像逐渐成为日常生活中最重要的信息载体。光学成像设备的发展使图像质量得到了大幅地提升,图像中的像素数量也不断增加。通常来说数字图像处理领域相关算法的复杂度与图像中的像素数目成正比,因此图像像素数目的增加将严重影响图像处理算法的执行效率。在自然图像中,通常存在着大量冗余信息,大量临近像素具有相同或相近的颜色、灰度、纹理等特征,超像素生成算法将这些具有相似特征的像素点用一个超像素表示。使用若干超像素代替图像中的像素,后续算法在超像素层级上运行,可显著提高图像处理算法的执行效率,因此超像素分割被广泛应用于图像分割、目标检测等多个领域。在这些应用领域中,超像素的质量将决定着后续算法的最终效果,通常来说质量较高的超像素形状规则且能紧密贴合图像中的物体边界,但对现有的超像素生成算法来说很难满足这一要求,这是因为当超像素紧贴物体边界时其形状会变得较为不规整,反之,要想生成规整的超像素就意味着要忽略图像中的部分细节,因此会造成超像素边界贴合度下降。如何合理地利用像素点的各种特征,使分割产生的超像素在紧贴图像边界的同时保持规整性成为超像素分割领域的研究难点。针对上述问题,本文提出了一种基于边界保持的超像素分割算法,首先本文算法采用边窗滤波对图像进行处理,该步骤对纹理区域进行了适度平滑,可保证在图像的高频纹理区域分割产生的超像素形状规整。另外本文提出一个新的距离度量函数,该函数进行在距离度量时,可根据不同像素为其不同特征分配不同权重,从而使超像素在能够贴合图像边界的同时,保持较为规整的形状。该距离度量函数还将像素点到聚类中心的线性路径所经过的像素点信息考虑在内,避免了只通过像素点局部信息进行聚类造成的类别错误划分。最后本文设计了一个聚类中心更新策略,仅使用超像素内部分可靠像素的加权平均值作为新的聚类中心,降低了与聚类中心相似度不高的异常像素对聚类中心更新的干扰,使聚类中心的更新更加准确。本文通过与当前主流超像素分割算法进行对比实验,验证了该算法的有效性,本文采用BSD500作为测试图像集,与当前主流超像素分割算法进行比较,结果表明本文提出的算法无论在视觉上还是相关量化指标上均有一定优势。