图像分割是图像处理领域中一项基础而又重要的步骤,对一些更高级的计算机视觉技术具有重要的影响,如目标识别与跟踪、场景分析等。由于图像本身可以转化成图结构,因此基于图论的分割方法是一种较受欢迎的图像分割方法,为了降低图论分割方法中图节点的数目,提高图像分割的效率,本文将超像素与图论的分割方法相结合,并提出一些改进的算法,论文的主要工作包括如下几个方面:(1)针对分水岭超像素分割方法在泛洪处理过程中仅利用图像的梯度信息导致产生的超像素质量较差的缺点,本文提出一种新的基于泛洪思想的超像素分割方法(Flooding-Based Superpixel,FS)。该方法首先用颜色信息代替梯度信息进行泛洪处理,每个像素点的泛洪处理顺序由该像素点与种子点的颜色距离和空间距离加权和决定;同时为了让超像素的边界更好地贴合图像的边缘,在利用泛洪操作初步得到超像素分割结果后,根据每个边界像素点与其超像素中心的距离以及与该像素点邻域内与其类别不同的像素的超像素中心的距离的大小进行超像素边界的迭代修正后得到最终的结果。与一些著名的超像素分割方法相比,本文方法具有一定的竞争力。(2)针对谱聚类分割方法存在复杂度较高的问题,本文提出一种基于FS和谱聚类的无监督图像分割方法。该方法利用FS算法进行图像的预分割处理以降低图节点的个数,并采用超像素的颜色,协方差矩阵,测地线边缘和空间位置信息四种特征融合的方式来构建谱聚类的超像素相似度矩阵。实验结果表明,本文分割方法具有较高的分割精度。(3)相比图像的无监督分割,交互式分割可以获得更准确的分割结果,为此本文针对graph-cuts算法存在分割错误率较高的缺点,提出一种基于FS和graph-cuts的交互式分割方法。该方法首先利用FS算法进行预处理,然后在graph-cuts算法的能量函数模型的基础上提出一种基于超像素的能量函数模型,该模型的区域项在考虑超像素与标记的特征距离的同时,还加入了两者的测地线距离,在利用最大流最小割算法处理后得到初步的分割结果,根据超像素的特征最近邻超像素的类别信息,重新修改能量函数的区域项,迭代执行最大流最小割算法得到最终的结果。实验结果表明,本文的分割方法具有较低的分割错误率。