针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题，提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像，将传统基于单个像素的聚类转化为基于超像素区域的聚类，降低FCM计算复杂度；其次利用改进的密度峰值算法自动确定聚类数目，提高算法灵活性；最后，对超像素图像进行基于直方图的FCM聚类，完成图像分割。为验证所提算法的有效性，采用BSDS500、AID和MSRC公共数据库作为实验数据集，并与其他4种FCM分割算法进行了比较。实验结果表明，所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。

云检测是遥感图像处理和应用的前提, 针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战, 提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法。该方法首先采用简单线性迭代聚类算法将遥感图像分割为像素块, 再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测。层次支持向量机的第一层将像素块初步分为 “云” 和 “地物” 两类。层次向量机的第二层针对第一层分类的结果分别设计两个分类器进行进一步分类, 并将分类后的结果合并为 “厚云”、“薄云”、“地物” 三类。最后, 将分类结果进行膨胀处理, 得到最终的云检测结果。选取高分一号 WFV 的 RGB 波段遥感图像进行实验, 结果显示提出的新方法对实验图像的云检测平均准确率为 95.4%, 表明该方法可适用于多种场景下遥感图像的云检测, 服务于遥感产品的生产和应用。

针对简单线性迭代聚类(SLIC)方法对图像边缘细节处理效果不佳的问题,提出一种参数可控、改进的简化脉冲耦合神经网络模型(PC-MSPCNN)与SLIC结合的彩色图像分割方法。该方法首先改进MSPCNN模型的加权矩阵和连接系数,并增设辅助参数,以提高分割准确度。随后将彩色图像输入至PC-MSPCNN模型中,依据改进模型中输出Y值的分布划分物体的边缘,使分割结果更好地贴合物体的边缘,利用所提出的相似性准则合并散布的碎片,减小后续处理的复杂度;其次,在SLIC度量相似距离的基础上引入PC-MSPCNN中RGB三个通道的内部活动项U值,完成对图像剩余部分的加权融合聚类,改进聚类效果。实验结果表明,本文方法能更精确地贴合图像中物体的边界,大幅减少碎片,有效提高图像的边缘贴合度。

使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的影响;其次,在每次迭代后引入滤波操作,去除超像素内与聚类中心在颜色空间上差异较大的像素点,用剩余的像素点更新聚类中心;最后,用改进的均值计算公式进行迭代以实现超像素分割。在Python环境下的实验结果表明,在超像素个数相同的情况下,相比经典的SLIC算法,本算法在相同数据集中的分割误差率降低了7.4%、分割精度提高了1.4%,可在有效提高边缘轮廓贴合度的同时降低算法的计算复杂度。

为了进一步提高乳腺肿瘤分割的精确度,提出了一种基于简单线性迭代聚类(SLIC)和梯度矢量流(GVF)Snake算法相结合的乳腺肿瘤分割模型。该模型首先对图像进行预处理以减少冗余信息提高后续的分割效率;其次结合图像的纹理特征提出了一种自适应K值方法,并对图像利用SLIC算法进行粗分割,描绘出乳腺肿块的初始轮廓;最后,利用GVF Snake算法加大对轮廓边缘信息的捕捉范围,进行细分割得到分割结果图。实验验证表明,该分割模型可以有效地提高分割效率和准确度,在一定程度上优于传统的分割算法,得到了较为理想的分割结果。

为改善传统立体匹配视差图中目标边缘的毛刺现象,以及弱纹理和视差不连续区域的“阶梯效应”等,提出了一种结合局部二进制表示和超像素分割的立体匹配方法。首先融合二进制表示的窗口内像素的空间和颜色特征进行代价计算,并以此求得初始视差;然后将简单线性迭代聚类方法分割的结果作为像素的空间和颜色标记,为超像素内的目标边缘和其他像素点选择恰当的稳定点进行视差传播,以达到视差优化时边缘保持和空间平滑的目的。在Middlebury数据集上分别进行代价计算与优化方法的对比实验,结果表明,采用该算法获取的目标边缘的视差更为平滑,在左右视图中的遮挡区和不重叠区域获得的视差也比较准确,有效地降低了非遮挡区、全图、不连续区域的误匹配率。

GrabCut 是一种快捷准确的交互式图像分割方法。但是，当待处理图像复杂度较大时，用户很难有效的标注矩形框，而且运算时间较长。针对以上问题，提出了一种改进的GrabCut 算法。该算法通过视觉显著性实现矩形框的自动标注，与超像素的结合有效的减少了分割算法的时间。首先，通过一种结合改进超像素的流形排序算法来得到显著性图，并进一步得到目标的矩形框，然后用改进的超像素来构建GrabCut 图割模型，最后，进行参数迭代估计从而得到分割图像。实验表明，本文提出的方法在保证GrabCut 算法精度的前提下，实现了自动分割，并有效的减少了分割时间。

为了解决目前主流的显著性检测算法在复杂多目标遥感图像中检测能力不足的问题, 提出一种基于超像素区域相似性度量的显著目标提取算法。该算法利用简单线性迭代聚类方法对原始图像进行超像素分割, 通过基于图论的视觉显著性方法检测出显著超像素, 并对其修正得到显著目标提取的训练样本, 进一步逐层计算全体超像素区域与显著超像素区域的相似性并转化为超像素区域的隶属度值, 最后实现对整幅超像素图像的显著目标提取。实验结果表明, 该算法具有较高的准确率和召回率, 能更加有效地检测出遥感图像中的显著目标, 提取效果优于主流的显著性检测算法, 还可以有效应用于复杂多目标的遥感图像显著目标信息提取中。