对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

SLIC超像素分割：将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。

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。

基于卷积神经网络和超像素模式的ABVS图像中的乳腺肿瘤自动检测

代码运行效果图见压缩包

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

道路检测相关研究多基于KITTI等车道公开数据集展开，由于车道与人行道存在颜色、材质和周围环境等差异，准确地检测出人行道区域成为一个需要解决的问题。本文将应用场景设置为室外人行道，提出了一种改进的基于多特征融合的人行道检测算法。首先使用SLIC超像素算法获取超像素图以减少噪声干扰和后续训练维度；然后计算各超像素块特征，利用新的Gabor滤波器纹理提取方法降低时间复杂度，并加入基于主成分分析（PCA）的光照不变空间特征和三维的深度梯度特征提高检测准确度，选用Adaboost分类器对融合的特征向量进行训练并预测人行道区域；最后采用马尔可夫随机场对分割结果进行优化。本方法是通用的，不依赖于道路外观和结构的先验，在创建的人行道数据集上进行实验，证明了该算法的有效性。

MATLAB编写的SLIC超像素算法，若有需要的朋友可以下载

亲测可用的SRM分割算法，可用于图像分割（超像素分割）

超像素合并分割，只要运行文件夹下面的Demo_Matlab.m即可，亲测有效