随着计算机视觉和多媒体技术的迅猛发展,数字图像的尺寸不断增大,传统的以像素为基元的图像分割算法越来越难以满足实时性的需求,而超像素分割算法的提出在一定程度上解决了这个难题。因此,超像素算法已逐步成为计算机视觉方向最常用的分割方法。简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)是目前公认的综合性能最为优秀的超像素分割算法之一,被广泛应用于各种生产和生活场景。作为图像处理和计算机视觉应用程序中的预处理步骤,超像素分割应当尽可能满足实际计算中实时性的要求,但是SLIC算法在处理海量图像数据时,在分割速度上仍有很大的提升空间。因此,针对这个问题,本文主要进行了以下研究:(1)本文首先对SLIC算法的流程进行了完整的剖析,对其分割效率进行了讨论。然后根据该算法的聚类特性提出了一种基于四邻域已标记像素的聚类方法4L-SLIC算法。该算法以下采样的方式将像素点分成?和?两个类别,并用?部分像素点对?部分像素点的聚类进行约束,减少了图像中像素点的平均计算次数,在不降低算法分割效果的基础上,提升了算法的分割效率。(2)在成果(1)算法的基础上对其中?部分像素点进行了细分,采用了一种更加优化的像素点分类和聚类方式,提出了4LCP-SLIC算法。该算法使得更多的像素点进行更少次数的相似度计算,算法中像素点的平均计算次数进一步降低,分割速度进一步提升。(3)针对成果(1)和(2)方法中的两部分像素点,提出了两种分别适用于两部分像素点的相似度度量公式。对于?部分像素点,根据邻域的相似性原则,提出了一种基于颜色距离的相似度度量方法,减少了两个维度的运算量,提升了?部分像素点的聚类速度。而对于?部分像素点,通过理论推导去除了相似度度量公式中的冗余项,并提出了一种最佳集群预测的方法,提升了?部分像素点的聚类速度。两种相似度度量公式相结合,使得成果(1)和(2)中算法的分割速度再一次得到提升,基本达到了实时处理的要求。