超像素图像分割在图像处理中占有非常重要的地位。超像素能够很好的表达出局部区域信息并保持边界,而这些是传统图像分割中单个像素所不具有的特征。所以将图像预处理为超像素,能够更加有利于图像处理和理解。随着对超像素分割方法的重视,越来越多的超像素分割方法出现。其中,针对因过分割而导致生成的超像素内部信息不一致等问题,研究人员提出了结构敏感性超像素分割方法。结构敏感性超像素分割方法,在结构敏感区域生成小的超像素保证超像素内部信息一致,在结构稀疏区域生成大的超像素来保证运算速度。我们在原MSLIC的基础上增加了边界项,以保证结构敏感性超像素的边界贴合度;在原SEEDS方法中融入局部区域像素分布约束来优化生成形状规则、边界贴合的结构敏感性超像素。主要做了以下两个方面的工作:(1)针对结构敏感性超像素不能很好贴合边界的部分,提出了一种带边界项的结构敏感性超像素图像分割方法。该方法考虑结构敏感性对区域进行分割的同时,引入了边界特征,通过边界项计算像素在真实图像边界上的可能性,进而重新分配和优化超像素边界,使得生成的超像素边界尽可能的贴合真实图像边界,同时保证了在结构敏感区域生成小的超像素,在稀疏区域生成大的超像素。实验采用Berkeley数据集,通过八种考核指标对分割图像进行分析对比,验证了提出的方法在欠分割错误率、召回率、精度等性能方面有良好的表现。(2)针对SEEDS算法分割速度快但分割的超像素形状不规则的问题,提出了基于局部区域像素分布的超像素分割方法,该方法在原有SEEDS算法基于颜色项和边界项的能量函数的基础上,加入局部区域像素分布度量,通过对图像进行边界检测,生成边界图像,根据边界图像使用测地线距离来进一步约束生成形状规则的超像素,同时测地线的距离度量可以保证图像的结构敏感性,在结构敏感区域生成小的超像素、在稀疏区域生成大的超像素,保证生成的超像素在局部区域的内容完整性。实验采用Berkeley数据集中的图像进行评估,通过八种考核指标对分割图像进行对比分析,验证了提出的方法在可实现分割准确度、紧凑性、欠分割错误率等性能方面有良好的表现。