CN103353987B - 一种基于模糊理论的超像素分割方法 - Google Patents

Abstract

本发明涉及一种基于模糊理论的超像素分割方法。它提高了超像素边界和原始图像边界的贴合度。并且分割之后的超像素内部组织结构单一，灰度均匀。步骤为：1）对图像进行处理，初始化聚类中心；2）在模糊C均值聚类算法中加入像素点的坐标距离，建立目标函数；3）更新隶属度矩阵；4）更新聚类中心，包括灰度值和坐标；5）重复3-4步，直到满足终止条件：聚类中心灰度值的改变量小于一个人工设定的阈值或者迭代次数大于某个人工设定的值；6）根据最终得到的隶属度矩阵完成初步的超像素划分；7）后处理，经过上述六个步骤后产生的超像素不可避免的存在一些孤立的点集，将这些点集跟与其相邻的并且相似度最高的超像素合并，完成最终的超像素划分。

Description

一种基于模糊理论的超像素分割方法

技术领域

本发明涉及图像处理领域，具体地说是一种基于模糊理论的超像素分割方法。

背景技术

所谓的超像素就是用某种算法将某些像素点聚合在一起形成具有某种感知意义的原子区域，用来代替以前硬性分割的区域网格。超像素能够有效的利用空间约束信息，具有一定的抗噪性，并且在强化图像局部一致性的同时保留了图像原始边界信息，超像素分割出来的原子区域还包含了单个像素所不具备的一些图像特征，比如形状、边界轮廓信息以及区域灰度直方图等，有利提高图像处理的准确度，而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。另外，对于某些图像存在的灰度不均现象，例如脑部MR图像某些区域的白质与其他区域的灰质灰度值比较接近，甚至比灰质还要低，超像素作为原子区域其内部的灰度值差异较小，整体的灰度不均现象则不存在于超像素中，有效的避免了此现象对图像分割的影响。近年来，超像素已经被越来越多的应用于图像预处理过程中。超像素利用像素与像素之间特征的相似程度对像素进行分组，从而获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂程度。大量的研究工作表明，超像素技术已成功应用于多次图像处理任务，如深度估计、图像分割、骨架提取、人体估计以及目标定位等。

超像素分割方法有很多，目前主要的方法有：Turbo pixel,Normalized cuts,Quick Shift,SLIC等。Normalized cuts图像分割结果的特点是产生的超像素的数量可控，且形状比较紧凑，各超像素面积也大致相似。但是Normalized cuts算法速度较慢，尤其对于比较大的图片，计算量较大。Turbo pixel的基本思想是在图像上随机选取一定数量的种子点并采用水平集的方法进行扩张，并通过限制增长率来控制超像素块的大小。SLIC是一种通过利用像素的颜色相似度和图像平面空间对像素进行聚类，从而有效的生成紧凑的几乎均一化的超像素的过分割方法。Normalized cuts、Turbo pixel和SLIC算法所产生的超像素都是结构紧凑且形状均一的，因此它们的语义表现力较差，因为结构紧凑使超像素不能涵盖一个目标的全貌，而形状均一使得不同尺度的目标在同义词过分割中必然要出现不同的语义层次。Quick-shift分割算法是一种基于梯度上升法的模式搜索分割方法。该算法通过不断的促进像素特征空间中的每一个数据点，向着能使帕森密度估计增大的最近的像素移动，来实现图像的分割。Quick-shift算法产生的超像素在形状和数量上不是固定的，且超像素的紧凑程度也较差。最重要的一点是，当前这些主要的超像素分割方法都是针对自然图像的，当采用这些方法处理具体模糊性特点的医学图像时，效果往往不尽人意，分割的超像素内部同时包含多种介质，不利于进一步的图像处理。

发明内容

本发明为克服上述现有技术的不足，提供一种基于模糊理论的超像素分割方法。该方法可以充分利用模糊聚类在处理具有模糊性特点的医学图像方面的优势，弥补传统超像素分割方法在处理具有模糊性图像时硬性划分的劣势，提高了超像素边界和原始图像边界的贴合度。并且分割之后的超像素内部组织结构单一，灰度均匀。

为实现上述目的，本发明采用如下技术方案：

一种基于模糊理论的超像素分割方法，步骤为：

1）对图像进行处理，初始化聚类中心；

2）在模糊C均值聚类算法中加入像素点的坐标距离，建立目标函数；

3）更新隶属度矩阵；

4）更新聚类中心，包括灰度值和坐标；

5）重复3-4步，直到满足终止条件：聚类中心灰度值的改变量小于一个人工设定的阈值或者迭代次数大于某个人工设定的值；

6）根据最终得到的隶属度矩阵完成初步的超像素划分；

7）后处理，经过上述六个步骤后产生的超像素不可避免的存在一些孤立的点集，将这些点集跟与其相邻的并且相似度最高的超像素合并，完成最终的超像素划分。

所述步骤1）中，首先根据要划分的超像素块数将图像进行规则网格化处理，选择每个网格的中心点作为初始聚类中心，选择初始聚类中心周围3*3的模板，将梯度最小的点作为新的聚类中心。

所述步骤2）中，目标函数为：

$J=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^p({\left|\right|y_k-v_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_i\left|\right|}^2)+\frac{\mathrm{\α}}{N_R}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^p\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_i\left|\right|}^2\right)---\left(2\right)$

其中，u_ik表示第k个像素点与i个聚类中心之间的隶属度，p是隶属度函数的指数，用来控制聚类结果的模糊程度，{y_k,k=1,2,…,N}代表图像灰度值的集合，c为预定的类别数目，{v_i,i=1,2,…,c}为每个聚类中心，N、c都是自然数。‖y_k-v_i‖²表示像素点与聚类中心的距离，‖y_r-v_i‖²表示当前像素点的邻域像素点与聚类中心的距离，X_k、Y_k分别代表当前像素点的横纵坐标，X_i、Y_i分别代表当前聚类中心点的横纵坐标，S代表初始化时规则网格的边长，m是人为设定的参数，用来控制坐标距离所占整体距离的比重，N_k代表当前像素点周围邻域的像素点集合，N_R是N_k的基数，设定为8，代表像素点周围8邻域，α用来控制邻域信息所占整体信息的比重；

目标函数包含一个隐含的约束条件g，即每个像素的隶属度之和为1，用公式表达为：

$g=1-\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}---\left(3\right)$

由公式(2)和(3)得带约束条件的目标函数：

F_m＝J+λg  (4)

其中，λ为拉格朗日乘数。

对公式(4)用拉格朗日乘子法求解得到如下变量的表达形式：

${u_{\mathrm{ik}}}^{*}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{((D_{\mathrm{ik}}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_i)/(D_{\mathrm{jk}}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_j))}^{1/(p-1)}}---\left(5\right)$

其中，(5)式中的D_ik、γ_i、D_jk、γ_j分别为：

$D_{\mathrm{ik}}=({\left|\right|y_k-v_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_i\left|\right|}^2),$ ${\mathrm{\γ}}_i=$ $\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_i\left|\right|}^2\right),$ $D_{\mathrm{jk}}=({\left|\right|y_k-v_j\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_j\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_j\left|\right|}^2),$ ${\mathrm{\γ}}_j=$ $\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_j\left|\right|}^2\right).$ D_ik表示添加了坐标距离信息之后当前像素点与当前聚类中心的距离，D_jk表示添加了坐标距离信息之后当前像素点与所有聚类中心的距离，γ_i表示当前像素点的邻域像素与当前聚类中心的灰度距离，γ_j表示当前像素点的邻域像素与所有聚类中心的灰度距离。i表示当前聚类中心，j表示所有聚类中心。

${v_i}^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p(y_k+\frac{\mathrm{\α}}{N_R}{\mathrm{\Σ}}_{y_r\∈N_k}{y}_r)}{(1+\mathrm{\α}){\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}---\left(6\right)$

y_k表示当前像素点，y_r表示当前像素点的邻域像素点。

$X_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p{X}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}---\left(7\right)$

$Y_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p{Y}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}---\left(8\right)$

(5)(6)(7)(8)分别代表隶属度矩阵、聚类中心灰度值、横坐标和纵坐标最优解的表达形式。

所述步骤6）中，根据得到的最终的隶属度矩阵，得到每个像素的类别标号，将具有相同类别标记的像素视为一个超像素，得到初步的划分结果。

所述步骤7）中，在初步的划分结果上，设置一个阈值，统计每个超像素内的像素点个数，小于此阈值的视为孤立的点集，找到与这些孤立点集相邻的超像素集合，通过计算平均灰度值找到与孤立点集最接近的超像素，并与之合并，完成最终的超像素划分。

本发明的有益效果是：本发明针对具有模糊性的图像设计了一种新的超像素分割方法，通过在模糊C均值聚类算法中加入像素点的坐标距离来生成超像素，能够充分利用模糊理论在处理模糊图像方面的优势，生成的超像素贴边效果远好于传统超像素分割算法，而且超像素内部介质单一，差异性较小。同时，本发明还考虑了像素点周围邻域信息的利用，有效地克服了噪声的影响，使本发明具有更好的鲁棒性。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

图1中，本发明分为七个步骤：1、初始化聚类中心；2、目标函数的设计；3、更新隶属度矩阵；4、更新聚类中心，包括灰度值和坐标；5、重复3-4步，直到满足终止条件；6、根据最终得到的隶属度矩阵完成初步的超像素划分；7、后处理，完成最终超像素的划分。

具体流程如下：

1、初始化

首先根据要划分的超像素块数将图像进行规则网格化处理，选择每个网格的中心点作为初始聚类中心，为避免噪声的干扰，此处做一个随机扰动，即，选择初始聚类中心周围3*3的模板，将梯度最小的点作为新的聚类中心。

2、目标函数的设计

SLIC超像素分割方法在进行Kmeans聚类时，将像素点的坐标距离加入到了目标函数的距离公式中，从而实现了超像素的分割。鉴于此种思想，我们在利用模糊聚类设计目标函数时，也将像素点的坐标距离加入其中，同时，将像素点周围邻域的信息也考虑在内，以此来避免噪声点的影响。原始模糊C均值聚类算法的目标函数可表示为：

$J={\mathrm{\Σ}}_{i=1}^c{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p{\left|\right|y_k-v_i\left|\right|}^2,---\left(1\right)$

其中{y_k,k=1,2,…,N}代表图像灰度值的集合，c为预定的类别数目，{v_i,i=1,2,…,c}为每个聚类中心，N、c都是自然数。p是隶属度函数的指数，用来控制聚类结果的模糊程度，‖y_k-v_i‖²表示像素点与聚类中心的距离。我们改进的目标函数为：

$J=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^p({\left|\right|y_k-v_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_i\left|\right|}^2)+\frac{\mathrm{\α}}{N_R}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^p\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_i\left|\right|}^2\right)$

(2)

其中，u_ik表示第k个像素点与i个聚类之间的隶属度，p是隶属度函数的指数，用来控制聚类结果的模糊程度，{y_k,k=1,2,…,N}代表图像灰度值的集合，c为预定的类别数目，{v_i,i=1,2,…,c}为每个聚类中心，N、c都是自然数。‖y_k-v_i‖²表示像素点与聚类中心的距离，‖y_r-v_i‖²表示当前像素点的邻域像素点与聚类中心的距离，X_k、Y_k分别代表当前像素点的横纵坐标，X_i、Y_i分别代表当前聚类中心点的横纵坐标，S代表初始化时规则网格的边长，m是人为设定的参数，用来控制坐标距离所占整体距离的比重，N_k代表当前像素点周围邻域的像素点集合，N_R是N_k的基数，设定为8，代表像素点周围8邻域，α用来控制邻域信息所占整体信息的比重；

另外，目标函数包含一个隐含的约束条件g，即每个像素的隶属度之和为1，用公式表达为：

$g=1-\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}---\left(3\right)$

由公式(2)和(3)可得带约束条件的目标函数：

F_m＝J+λg  (4)

其中λ为拉格朗日乘数。

拉格朗日乘子法是一种在等式约束条件下的优化算法，我们可以利用此方法求解出目标函数中变量的最优解表达形式。通过对公式(4)求解我们可以得到如下变量的表达形式：

${u_{\mathrm{ik}}}^{*}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{((D_{\mathrm{ik}}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_i)/(D_{\mathrm{jk}}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_j))}^{1/(p-1)}}---\left(5\right)$

其中，(5)式中的D_ik、γ_i、D_jk、γ_j分别为：

$D_{\mathrm{ik}}=({\left|\right|y_k-v_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_i\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_i\left|\right|}^2),$ ${\mathrm{\γ}}_i=$ $\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_i\left|\right|}^2\right),$ $D_{\mathrm{jk}}=({\left|\right|y_k-v_j\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|X_k-X_j\left|\right|}^2+\frac{m^2}{S^2}{\left|\right|Y_k-Y_j\left|\right|}^2),$ ${\mathrm{\γ}}_j=$ $\left(\underset{y_r\∈N_k}{\mathrm{\Σ}}{\left|\right|y_r-v_j\left|\right|}^2\right).$ D_ik表示添加了坐标距离信息之后当前像素点与当前聚类中心的距离，D_jk表示添加了坐标距离信息之后当前像素点与所有聚类中心的距离，γ_i表示当前像素点的邻域像素与当前聚类中心的灰度距离，γ_j表示当前像素点的邻域像素与所有聚类中心的灰度距离。i表示当前聚类中心，j表示所有聚类中心。

${v_i}^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p(y_k+\frac{\mathrm{\α}}{N_R}{\mathrm{\Σ}}_{y_r\∈N_k}{y}_r)}{(1+\mathrm{\α}){\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}---\left(6\right)$

y_k表示当前像素点，y_r表示当前像素点的邻域像素点。

$X_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p{X}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}---\left(7\right)$

$Y_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p{Y}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{\mathrm{ik}}^p}$

(8)

(5)(6)(7)(8)分别代表隶属度矩阵、聚类中心灰度值、横坐标和纵坐标最优解的表达形式。

下面的步骤中我们通过这些表达式来进行相关变量的迭代更新。

3、更新隶属度矩阵

通过公式(5)计算隶属度矩阵。

4、更新聚类中心

通过公式(6)(7)(8)计算聚类中心的灰度值和坐标值。

5、迭代求最优解

重复3-4步，直到满足终止条件。本发明的终止条件为：聚类中心灰度值的改变量小于一个人工设定的阈值或者迭代次数大于某个人工设定的值。

6、得到初步分割结果

根据前面五步我们可以得到最终的隶属度矩阵，根据这个矩阵我们可以得到每个像素的类别标号，将具有相同类别标记的像素视为一个超像素，得到初步分割结果。

7、经过后处理得到最终结果

在得到初步分割结果的基础上，设置一个阈值，统计每个超像素内的像素点个数，小于此阈值的视为孤立的点集，找到与这些孤立点集相邻的超像素集合，通过计算平均灰度值找到与孤立点集最接近的超像素，并与之合并，完成最终的超像素划分。

Claims (4)

1.一种基于模糊理论的超像素分割方法，其特征是，步骤为：

1)对图像进行处理，初始化聚类中心；

2)在模糊C均值聚类算法中加入像素点的坐标距离，建立目标函数；

3)更新隶属度矩阵；

4)更新聚类中心，包括灰度值和坐标；

5)重复步骤3)-步骤4)，直到满足终止条件：聚类中心灰度值的改变量小于一个人工设定的阈值或者迭代次数大于某个人工设定的值；

6)根据最终得到的隶属度矩阵完成初步的超像素划分；

7)后处理，经过上述六个步骤后产生的超像素不可避免的存在一些孤立的点集，将这些点集跟与其相邻的并且相似度最高的超像素合并，完成最终的超像素划分；

所述步骤2)中，目标函数为：

$J=\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{N}{\Σ}}{u}_{ik}^p\left({||y_k-v_i||}^2+\frac{m^2}{S^2}{||X_k-X_i||}^2+\frac{m^2}{S^2}{||Y_k-Y_i||}^2\right)+\frac{\mathrm{\α}}{N_R}\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{N}{\Σ}}{u}_{ik}^p\left(\underset{y_r\∈N_k}{\Σ}{||y_r-v_i||}^2\right)---\left(2\right)$

其中，u_ik表示第k个像素点与i个聚类之间的隶属度，p是隶属度函数的指数，用来控制聚类结果的模糊程度，{y_k，k＝1，2，...，N}代表图像灰度值的集合，c为预定的类别数目，{v_i，i＝1，2，...，c}为每个聚类中心，N、c都是自然数；||y_k-v_i||²表示像素点与聚类中心的距离，||y_r-v_i||²表示当前像素点的邻域像素点与聚类中心的距离，X_k、Y_k分别代表当前像素点的横纵坐标，X_i、Y_i分别代表当前聚类中心点的横纵坐标，S代表初始化时规则网格的边长，m是人为设定的参数，用来控制坐标距离所占整体距离的比重，N_k代表当前像素点周围邻域的像素点集合，N_R是N_k的基数，设定为8，代表像素点周围8邻域，α用来控制邻域信息所占整体信息的比重；

目标函数包含一个隐含的约束条件g，即每个像素的隶属度之和为1，用公式表达为：

$g=1-\underset{i=1}{\overset{c}{\Σ}}{u}_{ik}---\left(3\right)$

由公式(2)和(3)得带约束条件的目标函数：

F_m＝J+λg                     (4)

其中，λ为拉格朗日乘数；

对公式(4)用拉格朗日乘子法求解得到如下变量的表达形式：

${u_{ik}}^{*}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{\left(\right(D_{ik}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_i)/(D_{jk}+\frac{\mathrm{\α}}{N_R}{\mathrm{\γ}}_j\left)\right)}^{1/(p-1)}}---\left(5\right)$

其中，(5)式中的D_ik、γ_i、D_jk、γ_j分别为：

$\begin{array}{c}{D}_{ik}=\left({||y_k-v_i||}^2+\frac{m^2}{S^2}{||X_k-X_i||}^2+\frac{m^2}{S^2}{||Y_k-Y_i||}^2\right),{\mathrm{\γ}}_i=\\ \left(\underset{y_r\∈N_k}{\Σ}{||y_r-v_i||}^2\right),D_{jk}=\left({||y_k-v_j||}^2+\frac{m^2}{S^2}{||X_k-X_j||}^2+\frac{m^2}{S^2}{||Y_k-Y_j||}^2\right),{\mathrm{\γ}}_j=\end{array}$ $\left(\underset{y_r\∈N_k}{\Σ}{||y_r-v_j||}^2\right);$ D_ik表示添加了坐标距离信息之后当前像素点与当前聚类中心的距离，D_jk表示添加了坐标距离信息之后当前像素点与所有聚类中心的距离，γ_i表示当前像素点的邻域像素与当前聚类中心的灰度距离，γ_j表示当前像素点的邻域像素与所有聚类中心的灰度距离；i表示当前聚类中心，j表示所有聚类中心；

${v_i}^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p(y_k+\frac{\mathrm{\α}}{N_R}{\mathrm{\Σ}}_{y_r\∈N_k}{y}_r)}{(1+\mathrm{\α}){\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p}---\left(6\right)$

y_k表示当前像素点，y_r表示当前像素点的邻域像素点；

$X_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p{X}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p}---\left(7\right)$

$Y_i^{*}=\frac{{\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p{Y}_k}{{\mathrm{\Σ}}_{k=1}^N{u}_{ik}^p}---\left(8\right)$

(5)(6)(7)(8)分别代表隶属度矩阵、聚类中心灰度值、横坐标和纵坐标最优解的表达形式。

2.如权利要求1所述的基于模糊理论的超像素分割方法，其特征是，所述步骤1)中，首先根据要划分的超像素块数将图像进行规则网格化处理，选择每个网格的中心点作为初始聚类中心，选择初始聚类中心周围3*3的模板，将梯度最小的点作为新的聚类中心。

3.如权利要求1所述的基于模糊理论的超像素分割方法，其特征是，所述步骤6)中，根据得到的最终的隶属度矩阵，得到每个像素的类别标号，将具有相同类别标记的像素视为一个超像素，得到初步分割结果。

4.如权利要求1所述的基于模糊理论的超像素分割方法，其特征是，所述步骤7)中，在初步的划分结果上，设置一个阈值，统计每个超像素内的像素点个数，小于此阈值的视为孤立的点集，找到与这些孤立点集相邻的超像素集合，通过计算平均灰度值找到与孤立点集最接近的超像素，并与之合并，完成最终的超像素划分。