超像素分割文献综述。。

归纳并分析了超像素算法和评价指标的最新研究成果及最新应用；对比了多种超像素算法的边缘召回率、欠分割错误率和紧凑度等评价指标，分析了各自的优势和不足。当前的超像素方法在精度和效率上都有较大的提高，应用领域不断增加，但仍难以满足特殊应用领域的超像素性能要求，需要研究稳健性和适应性更好的超像素算法。

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。

matlab灰度处理代码 ###################################################### #######方法1：superpixels_seeds##### ###################################################### 超像素分割方法，采用论文 SEEDS: Superpixels Extracted via Energy-Driven Sampling 提出的方法，对于物体的边界具有较好的保留，如下图所示。可以辅助目标检测中制作Banchmark。 本工程在其基础上，获得的图像labels和contours，然后分别实现区域种子填充，Windows下编译环境为： OpenCV CMake Visual Studio 工程demo包括： SuperSeedsTest: SEEDS 提供的用例，可获取超像素分割labels和contours SeedFillTest : 基于labels种子填充子块 BoundaryFillTest : 基于contours种子填充子块 备注：无需配置cmake

亲测可用的SRM分割算法，可用于图像分割（超像素分割）

行业分类-作业装置-一种基于超像素分割的多边形聚合方法.7z

基于分水岭的超像素分割方法，效率给常高，分割效果也非常不错，适合超像素分割算法的朋友们学习。

matlab图像超像素分割

超像素分割为图像分割，图像处理的基础，文件为MATLAB和C混编的代码，demo为主程序，运行demo主程序进行超像素分割。

SLIC超像素分割，C++版，利用opencv3.1，编码环境vs2013