1.2.2  基于梯度上升的方法
基于梯度上升的超级像素分割算法的基本思想是：从一个初始的粗糙的聚类开始进行迭代过程，每次迭代从先前的迭代结果中提炼出一个更好的分割，直到结果收敛为止，最终完成对图像的分割。
1.2.2.1  Watersheds方法
分水岭方法（以下简称WS91）用拓扑地形图来描述一幅图像，当应用于图像分割时，图像中每个像素的灰度值表示该点的海拔高度，每个局部极小值及其影响区域为集水盆，而集水盆的边界就形成了分水岭，大致模型可用图1.1描述。
1.1 分水岭示意图
分水岭分割算法借鉴了数学形态学的理论知识，最初由Digabel等人[23]将分水岭算法引入到了二值黑白图像的分析过程中。比较经典的计算方法是Vincent等人[15]提出的，采用了浸没算法的实现方案，将分水岭计算分为排序过程和浸没过程。
分水岭算法的优点是简洁、复杂度低O(NlogN)、运行时间短，且提取出的物体边缘轮廓线是封闭的，能准确定位目标物体。但是它也存在一定的缺点，分水岭分割会得到成千上万的集水盆，结果很细致，导致图像出现非常严重的过分割现象。
1.2.2.2  Mean shift方法
Comaniciu等人提出的Mean shift[16]（以下简称MS02）提出了一种无参数的、基于核密度梯度估计的快速统计迭代算法。其基本思想是在核窗口依次计算所有特征空间数据点的mean-shift矢量，沿着mean-shift梯度上升方向移动，直到收敛到密度最大处，如图1.2所示。通过有限次迭代计算，能够快速找到数据分布的稳定点，即模点。利用MS02做图像分割，就是把具有相同模点的像素聚类到同一超级像素中的过程。

1.2 Mean shift示意图
MS02是一个迭代模式搜索的过程，它能产生形状规则的超级像素，但速度慢（复杂度为O(N2)），并且不能控制超级像素的数量、大小和紧凑度。MS02方法在实际应用中具有较好的稳定性和抗噪性，但由于分割时缺少图像语义信息，分割效果不够理想，存在过分割问题。
1.2.2.3  Quick shift方法
Vedaldi等人提出的Quick shift[17]分割算法（以下简称QS08）类似于MS02的模式搜索，但是比MS02快。它不断促使像素特征空间中的每一个数据点，向着能使Parzen密度估计增大的最近的像素移动来实现图像的分割。QS08算法是非迭代的，不能明确地控制生成超级像素的大小和数量，同时也非常速度也非常慢（复杂度为O(dN2)，d为一个小的常数）。QS08已被应用于目标识别[9]和运动分割[24]。
1.2.2.4  Turbopixels方法
2009年Levinshtein等人提出的Turbopixels[18]方法（以下简称TP09），描述了一种基于几何流的水平集方法，能快速地产生超级像素。几何流依赖于局部图像梯度，目的是在图像平面上平均的分配超级像素。它们通过膨胀初始化种子点，并结合曲率演化模型和背景区域的骨架化过程，将图像分割为网格状的超级像素。
TP09是基于可变化复杂度的算法，但在实践中，根据作者的说法，复杂度近似为O(N)。但在实际表现中，TP09是最慢的算法之一。并且，TP09生成的超级像素过于规则和紧凑，使得它对图像边界保持的相对不好。
    Xiang等人[25]提出从待分割的图像中构建多文特征图像的方法，应用于Turbopixel框架超级像素分割中。Cigla等人[26]介绍了一种快速的Turbopixel高效图论分割方法，先采用快速Turbopixel算法把图像分割为超级像素，再建立加权图，用Ncut算法得到图的最终分割结果。
1.3  本文的安排
    第1章，首先给出本课题研究的背景和意义，简明扼要的介绍了超级像素的基本概念，描述了介绍SLIC算法的意义；并且对于超级像素生成算法的研究现状进行介绍，讨论了现有的几种超级像素算法。 SLIC超级像素分割算法的原理与实现+文献综述(5):http://www.youerw.com/jisuanji/lunwen_10848.html