图像在日常的生活和工作中起着越来越重要的作用,图像的像素数量以及图像的质量也随着相机技术的发展在逐年提高。面对海量的、不断增长的大分辨率的图像数据,如何快速准确地从大分辨率图像中提取出所需的信息并理解图像的内容,是图像处理领域中一个充满挑战性的问题,在这种背景下图像的超像素分割被提了出来。图像的超像素分割就是把位置邻近且颜色具有相似性的像素聚合为一个大的像素块称为超像素,相比于像素使用超像素表示图像能更加简洁高效,提供视觉上有意义的实体。因此,超像素常被作为图像处理算法和计算机视觉任务中的原子单元,以提高算法的运行速度。在图像的超像素分割中如何提高对像素点的区分能力,使生成的超像素具有良好的规则性并且超像素的边界与图像中物体的边界紧密黏附,选择适合当前待分割图像的算法参数,是提升图像超像素分割效果的关键问题。本文提出了一种基于区域分解的超像素分割算法,有效地解决了上述在图像超像素分割中存在的问题。与现在的图像超像素分割方法相比,本文方法的核心思想是将待分割图像分为平坦区域和非平坦区域。一方面,在图像的平坦区域中可以容易地实现超像素的规则性。另一方面,在图像的非平坦区域中算法生成的超像素的边界与图像中物体边界的粘附性可以得到加强。算法首先对输入图像进行边缘增强操作,之后提取像素的轮廓信息,然后基于像素的相似性度量对所有像素进行聚类,基于聚类的结果生成种子点。通过种子点和聚类的结果把图像的非平坦区域和平坦区域进行分离。在分别为不同区域生成超像素之后,执行最后的合并步骤以清理微小且孤立的超像素。除了输入图像和所需超像素个数的单个参数外,由于本文算法的内部参数是根据图像内容自适应的,因此本文的算法不需要其他参数调整。本文所提出的基于区域分解的超像素分割算法,在图像的平坦区域能产生具有规则形状的超像素,并且可以自适应、精确地对图像的非平坦区域进行划分,使生成的超像素具有更高的边界黏附,同时保持一个有竞争性的计算效率。为如何在图像的超像素分割中保持超像素规则,并且提高超像素边界的黏附力以增强分割的精度提供了新思路。