图像的过分割技术,也即超像素分割一般作为计算机视觉以及图像处理等领域中一个预处理步骤,是重要的研究课题之一。图像的超像素分割是指根据图像像素的各种特征(如颜色、纹理、空间位置等),对像素进行局部聚类,使得属于同一超像素内的像素具有相同或相似特征。相比于像素,超像素包含更多的局部信息,而且可以保持图像中大部分的边界及结构,因此超像素作为更高一层的处理单元,应用到图像处理以及计算机视觉等各种任务时,可以显著提高处理效率。由于自然图像自身的复杂性,在对图像进行超像素分割时,图像像素的各个特征会相互影响,互相制衡,如何有效利用图像像素的各种特征进行聚类,是图像的超像素分割的关键问题[1-4]。由于基于扩散的超像素分割算法[5,6]相比于其他算法可以考虑到更多的图像信息,本文主要基于扩散的超像素分割算法展开讨论。与其他超像素生成算法相比,从内向外扩散的算法不仅考虑了两个像素之间的直接信息,还考虑了它们之间路径上的信息,因而可以有效处理边界两边具有相似图像内容的情形。然而,传统的在二维图像上基于由内向外扩散的超像素分割算法一般基于测地距离或者水平集,过多的考虑了路径上的信息,因此不能较好的贴合模糊边界。另外,纹理作为图像中的一个重要特征,鲜少被应用到图像的超像素分割中。随着深度相机的普及,深度图像受到越来越广泛的应用,如何对深度图像进行超像素分割也具有重要的研究意义,针对以上问题,本文重点进行了以下研究工作:(1)针对于之前的基于几何流扩散的算法不能较好的贴合模糊边界的问题,本文从具体的扩散过程的角度进行分析,认为主要原因是过多地考虑了中间路径上的内容。因此本文提出了基于泛洪算法的超像素分割方法,并通过一个距离函数综合像素的各个特征,来衡量超像素的种子点(代表超像素)和像素之间的距离,从而可以提高超像素分割的精度。(2)纹理特征可以作为图像分割的一个重要的特征,本文将图像的纹理特征考虑到超像素分割过程中,由于图像的纹理特征图存在边界处比较模糊等问题,本文提出了先对图像提取主结构,之后基于图像的局部复杂度,使用神经网络训练图像的各个特征在距离函数中所占的权重,来综合利用图像像素的各个特征对图像进行超像素分割,进一步提高超像素分割的精度。(3)针对带深度的RGBD图像的超像素分割问题进行研究。带深度的图像相比于二维图像包含更多的信息,而且可以利用相机参数将二维深度图像转换为三维点云,因此可以获得更丰富的三维几何信息。之前针对于深度图像的超像素分割算法主要基于欧式距离,因此对于很多边界,尤其是室内场景中存在的两边具有相似内容的图像边界,欧式距离并不能很好的保持。本文将RGBD图像的过分割问题转化为三维网格上的过分割问题,并在此网格上定义了一种测地度量来衡量种子点和像素点的距离,由于该度量综合利用了 RGB-D生成的网格的有效特征,因此可以很大程度地提高超像素的分割结果。