随着计算机软硬件的更新换代,现如今的计算机能够获取到的图像资源正在呈几何式的增长。当海量的图像资源涌入我们的视野,为了获取图像中的关键信息,计算机必须要对这些图像作相应的处理从而让图像中的关键信息展露无遗。而传统的图像处理方法较低的准确率与过高的执行时间显然无法应付当今的海量图像资源。这无疑给图像处理领域带来了新的难题,同时也提出了新的挑战。而图像分割作为计算机视觉领域的基础,首当其冲。传统的图像分割算法已经无法满足图像处理中日益增长的需求。图像分割算法性能与效率不可兼得的桎梏很明显是图像分割领域最顽固的一道瓶颈。针对实际应用中对图像分割提出的准确性、实时性等高要求,本文结合机器学习领域的SLIC(简单线性迭代聚类算法)以及传统区域生长算法,从包容并济的视角分析两类算法之间的共性与差异,以期在传统算法的“稳”与机器学习算法的“快”之间找到平衡,从而打破现有图像分割算法性能与效率不可兼得的桎梏。对SLIC(简单线性迭代聚类算法)以及传统区域生长算法的研究与探讨主要包括:将SLIC算法从Lab颜色空间移植到灰度图像,并对SLIC算法做相应修改令SLIC算法能更好的契合灰度图像;利用SLIC算法中超像素的思想,在不丢失图像细节的情况下降低图像的原有尺度,从而降低对图像分割后续处理的难度。具体而言,本文的研究内容与创新成果主要包含以下两点:一.优化SLIC算法在灰度图像中的应用SLIC算法本身是为Lab颜色空间量身定做的超像素分割算法,但因为灰度图像在像素属性上与Lab颜色空间有一定的相似性,这也为SLIC算法移植到灰度图像提供了理论基础。传统SLIC算法在初始聚类中心的选择上过于繁琐,这一系列繁琐的操作对Lab颜色空间而言尤其重要,但将SLIC算法移植到灰度图像中,对初始聚类中心的繁琐操作则略显多余。针对灰度图像本身的特性,本文尝试引入像素间方差,并用像素间方差部分取代原SLIC算法中聚类中心的梯度下降操作。对SLIC算法的此类改变在不影响超像素分割准确度的前提下极大的提高了SLIC算法在灰度图像上的运行速度。二.将超像素引入传统区域生长算法传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC(简单线性迭代聚类算法)超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效的解决分割空洞等问题。对比于聚类分割,otsu(最大类间方差)阈值分割法等典型算法,该算法在分割精度上具有明显优势。