SLIC算法简介：
超像素算法日益被计算机视觉应用，简单线性迭代聚类（SLIC）采用k均值聚类方法，以较好的性能产生超像素，能更好地获取边界，有速度快，内存消耗少，可扩展性强等特点，其实现方法简单并且代码是开源的，有利于科研人员获取与使用。超像素算法将像素组合成在感知上有意义的原子区域，能有效地获得图像冗余,有效防止单个像素变化而产生分割误差，有效地保持物体轮廓，提供计算机图像特征的方便原语，能够有效降低后续处理成本，方便学术交流。目前通常使用下列指标来判断算法的优劣性：
- 可以较好地粘附到图片的边界。
- 应当以较快的速度计算，便于存储。
- 风格图像时应该有更高的速度和更好地质量。
相关研究进展：
刘晓洋[2]提出了基于超像素特征的分割方法，使用简单线性迭代聚类算法把内部颜色大致相似的超像素单元分割出来，并获得各个超像素的颜色，纹理等特征，最后进一步修正已经分好类的结果。而传统方法在分割时并未考虑相邻像素之间的潜在联系，不能防止单个像素变化而产生的误差，因而SLIC方法分割效果显然优于传统方法。
胡新[3]提出了基于纹理特征超像素分割的检测算法，先使用该方法分割图像，得到的超像素更加均匀，然后使用k均值聚类算法得到更优的背景，防止产生错误，最后为背景超像素赋权值，优化并输出最终显著图像。该方法在背景较为复杂的情况下效果更好，能有效抑制背景影响，提升性能。
侯志强[1]意识到了传统分水岭算法的过分割问题，提出了用分水岭算法和SLIC算法相结合的彩色图像分割算法，来获取更加理想的分割效果。具体方法是：利用SLIC进行超像素分割预处理，减少冗余信息，简化后续工作量，再去除噪声，获取完整轮廓，最后使用分水岭算法进行分割。该算法可以有效解决传统分水岭算法的过分割问题，且分割质量更高。
周敏[4]发现SLIC算法的领域是固定住的，而在现实生活中，物体的分布往往是不规则的，针对这个问题，周敏提出了基于领域自适应的SLIC算法，分析领域的分布规律，自动地调整采样间隔，实现领域的自适应。
魏旭[5]将MBI与SLIC算法结合使用，MBI算法利用建筑物的亮度，对比度等特征来提取建筑物，但存在大量噪声点，因而利用SLIC的优势，明显改善内外部的噪声点问题，这两种算法的结合，可以提高建筑物提取的效果，实验效果较好。
雷涛[6]发现了SLIC算法在超像素聚类时花费的时间较长的缺点，提出了一种基于快速SLIC的图像超像素算--仅仅使用部分临近像素更新聚类中心，而将与聚类中心点相似度低的点剔除，从而保证聚类中心迅速达到稳定。该算法在时间复杂度上优势明显。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
