图像分割已广泛应用于汽车无人驾驶、医疗影像诊断、安防视频监控等领域。基于像素距离、颜色,或纹理,对复杂场景图像分割的精度有限;图像语义分割难以实现对图像像素语义标签的准确标注。论文以全卷积神经网络FCN-8s模型为基础,研究基于超像素分类的图像语义分割方法。针对SLIC算法存在欠分割和实时性差的问题,提出一种快速的SLIC超像素图像分割算法,即“F-SLIC算法”。采用基于纹理特征的K-means聚类,修正欠分割,并改进像素抽样,降低计算复杂度。实验表明,与SLIC算法相比,“F-SLIC算法”的计算速度提高了22%,欠分割错误率降低,边界召回率提高。针对FCN-8s模型存在图像语义分割准确率不高的问题,提出一种改进的FCN-8s模型,即“C-FCN模型”。用组合空洞卷积核替换FCN网络的部分卷积层,在不增加模型参数的前提下获得较大的感受野,从而达到提高语义分割结果精度的目的。为进一步提高“C-FCN模型”对目标边界的分割精度,将“F-SLIC算法”与“C-FCN模型”结合。利用“F-SLIC算法”得到训练集图像的目标边界,并以此训练“C-FCN模型”,以提高模型对目标边界的敏感度;引入全连接条件随机场对“C-FCN模型”的语义分割结果进行优化,建立“FC-FCN模型”。实验结果表明,在Pascal VOC 2012数据集下,对于“C-FCN模型”,其样本总体平均交并比和像素准确率分别为66.3%和87.8%。相比于FCN-8s模型,分别提高了4.1%和11.7%。对于“FC-FCN模型”,其样本总体平均交并比和像素准确率分别达73.8%和93.5%,两者均高于对照的其它模型,且超像素图像语义分割的视觉效果也得到了明显的改善。图[39]表[4]参[52]