由于SLIC0算法在分割时仅考虑图像的颜色、亮度、空间位置特征,没有考虑纹理特征,当分割具有繁杂纹理的自然图像时,其分割的超像素无法精准地符合区域或目标的边界或外轮廓,因此提出基于SLIC0融合纹理信息的超像素分割算法——SLIC0-t。首先利用光谱分析描述图像中区域的纹理特性,然后在分割中融合能够准确反映图像中目标轮廓或区域边界的纹理特征;其次在分割过程中,进一步优化SLIC0围绕种子像素搜索近邻像素的搜索策略,采用以各个种子点为中心,在以预期超像素邻接距离为半径的圆盘内搜索的搜索策略;最后通过在公共图像库BSDS500上进行连续不同大小超像素的分割实验验证,结果表明:在边界召回率方面,SLIC0-t算法明显稳定优越于SLIC0算法;在欠分割错误率方面,其与SLIC0算法基本相当,处于可接受范围内。

此代码使用颜色、纹理和空间数据分割图像RGB 颜色用作颜色数据使用了四个纹理特征：1. 均值 2. 方差 3. 偏度 4. 峰度归一化剪切（固有地使用空间数据） ncut参数有“SI”颜色相似度，“ST”纹理相似度，“SX”空间相似度，“r”空间阈值（相隔小于r个像素），“sNcut”保持分区的最小Ncut值（阈值），以及“ sArea" 被接受为段的最小面积（阈值） “Naotoshi Seo”的一个小修改实现用于“标准化切割”分割，可在网上获得：“ http://note.sonots.com/SciSoftware/NcutImageSegmentation.html ”，它在选择参数时很敏感。

利用灰度共生矩阵提取图像的纹理信息，包括熵，相关性，矩等。可以为图像的后处理提供纹理特征。适合初学者使用。代码用matlab进行编程。

针对遥感影像中海上船只自动检测的问题,文中首先利用船只的纹理滤波将海上船只和类船只信息突出显示,在获得纹理滤波图像后,采用大津阈值将目标与背景分割开,经过分割处理,获得分割影像图,然后将分割图与原图叠加,从而在原图像上突出显示出来,通过实验证明,该方法简便可行,对海上船只的检测有着重要的意义。