超级像素生成算法大致可分为基于图论的方法和基于梯度上升的方法两类。具有代表性的基于图论的超级像素分割方法有：Fezenszwalb等人提出的Graph-based image segmentation[2]方法，Shi等人提出的Normalized cuts[7]方法，Moore等人提出的Superpixel Lattices[10]方法等。而对于基于梯度上升的方法，比较著名的方法包括：Vincent等人提出的Watersheds[3]方法，Comaniciu等人提出的Mean shift[14]方法，Vedaldi等人提出的Quick shift[19]方法和Levinshtein[23]等人提出的Turbopixels[8]方法等。32269
1 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[6]。
.1 Turbopixels方法
    Levinshtein等人的Turbopixels[7]方法。使用了基于水平集的基于流几何算法，而且实施了紧凑的约束，以确保超像素有规律的形状。不幸的是，它在许多应用中太慢了;虽然作者声称复杂度和图像大小线性相关，在实际应用中，执行VGA级的图像所需时间超过10秒[22]。Turbopixels激发了Veksler等人的灵感，使用能量最小化框架将图像块缝合在一起，用图切割对能量函数优化。他们的方法（这里简称GCb10）比Turbopixels快得多，但即使对于小图像仍需要几秒钟。论文网

1.2 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]。
1.3 SLIC方法
近日，显著更快的超像素方法类已经出现 - 简单线性迭代聚类（SLIC）。这是一个迭代梯度上升算法，它使用了本地的K-均值聚类方法[5]，能够有效的发现超像素，在颜色和像素位置的五文空间中聚集像素。深度自适应超像素方法将这个想法扩展到去使用深度图像，通过添加 深度和点正常角度的文度以扩大聚类空间。虽然DASP是高效的而且给出了希望的结果，但它并不充分利用RGB+ D数据的优点[4]，即保留在2.5D方法的类中，因为它没有明确地考虑三文连通或几何流。

2 基于图论方法
基于图的超像素方法，类似于基于图形的完全分割方法，把每一个像素考虑为一个节点，边缘连接到相邻像素。边缘的权值用于描述像素之间的相似特征，超像素标签用最小化代价函数方法求解。 Moore等人 [6]得到了符合网格结构的超像素。这是在图像边界水平和垂直方向寻找最佳路径达到的，用图形切割或动态编程方法寻找路径上的最小代价边界和节点。虽然这种方法有可以在规则网格中产生超像素的优点，但是它牺牲了对边界的遵守[18]此外，在很大程度上依赖了预先计算的边界图像质量。
2.1  Markov Random Field方法
马尔可夫随机场方法是、建立在MRF模型和Bayes理论的基础上[4]MRF模型提供了不确定性描述与先验知识联系的纽带，并利用观测图像。根据统计决策和估计理论中的最优准则确定分割问题的目标函数，求解满足这些条件或消费函数的最大可能分布，从而将分割问题转化为最优化问题[13]。虽然使用这些技术获得显著的成功，但有一个缺点：对这些图像的计算代价随着节点的增加而急剧上升[2]这意着，用节点快速处理图的所有像素变得难以解决，这限制了它的实际应用，因为大部分实际应用都需要实时分割。 超级像素生成算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_28774.html