随着数字成像技术和图像设备的不断发展与成熟,与自然图像相关的处理技术已经成为人类智能活动的重要辅助手段。图像处理的相关技术已经不再停滞于信息存储、传递和交流的层面,而是朝着多元化和智能化的方向发展。图像工程的最终目标是从原始图像中主动发现和抽象出高层知识并形成认知,作为通向这一目标的关键步骤,图像分割一直以来都是图像处理和计算机视觉领域低层次视觉中的重要研究内容。由于图像内容的复杂性和多变性,图像分割是一项充满不确定性的任务,而且分割涉及数学、物理学、统计学、认知科学、心理学、信号分析、机器学习等理论,始终没有形成通用和完善的方法,因此一直受到研究人员的高度关注。近年来随着互连网、移动设备、数据压缩等技术的进一步发展和成熟,彩色图像分割已逐渐成为图像分割研究领域的焦点。彩色图像的分割是图像理解、检索、标记的基础,同时实现图像的压缩表示,节约存储空间,并广泛的适用于工业检测、军事侦查、生物医学、气象交通、科学可视化等诸多领域。本文首先对彩色图像分割任务进行了分析和探讨,将图像分割任务的实质归纳为平面像素的聚类问题,并从两方面分析了图像分割与像素聚类技术之间的关系。本文以像素聚类分割方法为主要的研究内容,通过对像素的特征空间分布进行分析,并结合统计特征的分析方法,对自组织神经网络分割模型、区域生长模型、主颜色聚类,均值漂移以及纹理图像分割进行了研究和探索,针对其中存在的问题,将像素的空间分布特征,图像分块策略、视觉显著性理论以及超像素合并技术与上述分割模型进行有机的结合,取得的主要研究成果和创新点包括以下几部分:1、自组织映射网(SOM)的工作模式具有天然的分类数据的能力,在彩色图像分割的应用中,如何确定网络的结构和规模一直是影响SOM聚类分割效果的难题。针对该问题,本文提出了一种基于像素特征空间分布来估计SOM网络结构的聚类分割算法。算法首先统计像素在HSV空间的分布,根据分布直方图的极大值分布来定义SOM网络的结构和规模,然后从图像等分区域中采样像素点训练神经网络直至稳定,根据图像像素与神经元节点连接权值向量的近似程度对每个像素进行分类,最后利用空间一致性对像素分类结果进行调整得到分割图像。将本算法与同类分割算法进行视觉和量化对比,实验结果证明本方法在保证图像质量的前提下实现了良好的分割。2、像素生长分割算法优势在于保持区域连通,但是种子选取的和生长规则限制了生长算法的普适性。本文提出一种新型的基于图像分块种子像素聚类选取和并行生长的分割算法。算法首先将图像进行网格划分,按照颜色最大分布在局部网格内选取代表像素作为分块的种子像素,然后采用动态划分方法将种子像素进行聚类,将每一类种子视为整体进行生长得到相应的区域,然后通过合并小区域完成分割。本文方法将图像分块和种子聚类相结合自动选取区域种子,实现了一种新颖而有效的像素生长分割方法,经过实验证明该方法是一种有效而稳定的彩色图像分割方法。3、无监督聚类分割算法中像素的准确分类受多种因素制约,视觉显著性特征作为一种像素显著程度的度量,对于正确分类像素具有积极的意义。本文分析了各类图像显著性计算方法的特点,提出了基于显著性融合的分割策略,定义了两类适用于分类像素的显著性图,分别与均值漂移和主颜色聚类分割方法相结合得到两种融合显著特征的彩色图像分割方法。第一种分割算法首先融合量化区域对比度和像素-区域对比度的结果计算显著性图,并将显著性图作为特征向量输入均值的漂移分割算法中。另一种分割方法是将均值漂移预分割的区域对比度以及像素全局对比度进行融合,然后将融合显著性图作为调节因子与和主颜色密度聚类算法相结合,利用像素显著性差异来调节聚类的结果。经过实验和对比分析进一步证实了本文显著性特征能够改善像素的分类结果,并取得了更理想的分割效果。4、为了应对自然彩色图像分割中的纹理区域,提出一种基于纹理超像素合并的彩色图像分割方法。超像素分割是在忽略图像整体意义的情况下将相邻同质像素按一定的规则聚集在一起形成区域,它已经被用于许多计算机视觉任务的前期处理中。本文首先利用Gabor滤波器的提取纹理特征,并将纹理特征融入超像素计算的聚类过程当中,目的在于保护真实的边界和超像素内部的纹理完整性。然后,根据超像素包含的主要颜色及其分布特征定义了一种彩色纹理直方图特征,通过直方图距离进行区域之间的相似度计算,利用所有区域直方图特征标准差约束对邻近和相似超像素进行合并得到最终的分割结果。将本算法并与相关算法在测试数据库上进行分割试验和对比分析,证明本分割方法的在主观视觉一致性和客观分割准确率评价上都有明显的优势。