CN109801295B - 基于二次限制区域生长法的图像分割方法 - Google Patents

Abstract

本发明属于图像分割技术领域，具体涉及基于二次限制区域生长法的图像分割方法，包括：步骤1，将图像从RGB空间转化为Lab空间；步骤2，设置种子点数和阈值，抛洒种子点，使用限制区域生长法和阈值对图像做标记；步骤3，以光栅扫描顺序遍历全图进行二次限制区域生长，将未标记各点进行标记；步骤4，计算上2步所划分各超像素块的各维度均值；步骤5，设定预计的分类个数，使用基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对步骤3得到的超像素结果进行合并，得到最终的分割结果。本发明图像分割方法，使用限制区域生长法，使各种子点在步长乘步长的图像范围内进行区域生长，减小了计算工作量，提高了运行速度。

Description

基于二次限制区域生长法的图像分割方法

技术领域

本发明属于图像分割技术领域，涉及数字图像的分割，具体涉及一种基于二次限制区域生长法的图像分割方法。

背景技术

图像分割的目的在于将图像中的所有像素划入各个具有实际含义的类别。精准的图像分割结果是物体识别、自动驾驶等技术的前提和基础。图像分割目前可分为传统的基于机器视觉的分割和基于神经网络的分割两类。

传统的机器视觉的分割算法有区域生长法、SLIC分割算法和马尔可夫随机场算法等等。区域生长法是一种比较常见且应用广泛的图像分割方法，其算法简单，但是并没有考虑图像像素间、图像内物体的局部关系，且其种子点的分配方法有所欠缺。近来不少研究人员提出了针对其的改进算法。缑水平等人(CN102622750A)提出的使用交互式方法确定种子点迭代进行区域生长的分割方法，具有速度较快、效果较好的优点，但是多次交互式确定种子点不具备自动化的优点。陈河军等人(CN104376551A)提出选用阈值计算确定种子点，能有效地划分区域，但是具有计算量过大的问题。Achanta等人的SLIC(Simple LinearIterative Clustering)方法限制了种子点的聚类区域，利用颜色和距离相似度进行分割，能对同质区域信息进行更好的利用，但是受限于固定种子点限制，易将不同的物体划分在同一区域内。P.德维尔(CN101169868A)提出的分割方法基于马尔可夫随机场，但其对像素级元素进行归类，对于尺寸较大的图像效率较低，并且其对噪声的控制能力较弱。

基于神经网络的图像分割是目前的研究重点，如Jonathan Long等人提出的FCN(Fully Convolutional Networks)算法可以获得相对准确的语义分割结果，但是需要预先使用大量图片进行训练，该算法对计算机的计算性能要求也高。

上述现有技术目前存在以下具体的缺陷，在分割算法中，对于种子点的挑选会导致所有不同类物体不能被预先分配的种子点所覆盖；对于同质区域空间关联性欠缺考虑会导致算法对于分割区域错分；算法基于像素点容易受图像存在的噪点影响，对图像分割结果缺乏把控；算法的运行对计算机的性能要求较高。

发明内容

本发明针对上述现有技术存在的不足，提出一种简单精确且工程易实现的图像分割方法，旨在解决区域生长的种子点分配与覆盖，像素空间关系利用，和分割效果在隐马尔可夫模型中易受噪声影响的问题。本发明融合了二次限制区域生长法、隐马尔可夫随机场、基于伊辛模型和高斯函数的模拟退火算法等技术，保证了分割边缘的精度，有利于算法的工程应用。

本发明要解决的技术问题通过以下技术方案实现：

包括以下步骤：

步骤1.将图像从RGB空间转换到Lab空间；

步骤2.对所述步骤1处理的图像进行第一次限制区域生长法生成初步的超像素块；

步骤3.对图像继续进行二次限制区域生长，完成对全图的超像素块划分；

步骤4.对全图超像素块的各维度进行均值计算并作记录；

子步骤4a.统计全图各超像素块内部所含的全部像素点各维度总值和像素点数量，以全部像素点各维度总值与像素点数量进行商运算，即得到超像素块各维度的均值，将其作为该超像素块的维度值；

上式中，

是各个超像素块的均值，N是超像素块内的像素个数，L_i、a_i、b_i是各像素点的各维度值；

子步骤4b.将全图超像素块的各维度均值进行记录；

步骤5.基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对超像素块进行归类得到最后的图像分割结果；

子步骤5a.计算各超像素块的邻接关系，确定初始区域个数、迭代次数和能量变化预定值，随机初始化种子超像素块；

子步骤5b.使用Kmeans聚类算法对所有超像素块进行聚类，并计算归类后各类的均值和标准差，并将各维度数值进行加权；

子步骤5c.根据高斯函数，计算图像的高斯能量U₁值；

上式中，ω为聚类结果，F为超像素块的样本空间，s_i为各个超像素块，

是所述子步骤4b中记录的各个超像素块的均值，μ_ω是各个类的均值，σ_ω是各个类的标准差；

子步骤5d.根据伊辛模型，计算图像的先验能量U2值，并计算出此次迭代的总能量U

上式中，

是势函数，ω为聚类结果，c₁,c₂,s,t为超像素块，β是马尔可夫合并代价，β值取1；

U＝U₁+U₂

全图的总能量是伊森模型先验能量和高斯函数能量的和；

子步骤5e.根据模拟退火算法的原理，计算全局能量变化，若小于能量变化预定值或达到迭代次数设置，迭代结束，保留超像素块聚类结果，否则重复子步骤5b；

子步骤5f.将所有超像素块内的各像素点标记最终聚类类别，并在图像中输出分割结果。

作为本发明进一步的技术方案，所述步骤2中，进行第一次限制区域生长法生成初步的超像素块的具体实施步骤是：

子步骤2a.根据图像尺寸大小，设置种子点数和阈值；

子步骤2b.在图像横向和纵向均匀抛洒种子点，使得在同方向的任意相邻两种子点间的像素数量相同，将相邻种子点间的像素数量记为步长；

子步骤2c.各种子点以光栅扫描的顺序在以自身为中心横向步长乘纵向步长的范围内进行区域生长。

作为本发明进一步的技术方案，所述子步骤2c的更具体实施过程是：

各种子点以横向步长乘纵向步长的区域为范围；临近边界区域的种子点在种子点到图像边界距离小于步长时，以图像边界为范围边界；各种子点按顺序对区域内的未被标记过的各个像素点计算距离，即，计算当前种子点到未标记像素点的距离，距离小于设定阈值的像素点，将其标记为当前种子点所在的超像素块区域；

距离选用欧式距离进行定义，

上式中，dist为欧式距离，x_i为每个种子点横向步长乘纵向步长的范围内各待测区域像素点，mean_j为各种子点像素值。

作为本发明进一步的技术方案，所述步骤3中，对图像进行二次限制区域生长的具体实施步骤是：

子步骤3a.以光栅扫描顺序遍历全图，按序将下一个未标记的点作为种子点；

子步骤3b.以子步骤3a所述的种子点为原点对周边未标记各点进行区域生长，区域生长的阈值与所述子步骤2a的所设置阈值数值相同；

子步骤3c.若全图存在未标记的点，重复子步骤3a，否则执行子步骤3d；

子步骤3d.记录全图像素点所属的超像素块划分。

作为本发明进一步的技术方案，所述步骤1的具体过程是：

先将图像从RGB空间转换到XYZ空间，

再将图像从XYZ空间转换到Lab空间。

作为本发明进一步的技术方案，在所述子步骤5a中，计算各超像素块的邻接关系具体通过以下方式实现：

创建空的邻接关系表，长度为超像素块个数，遍历全图的像素点，对每个像素点在其邻域范围内寻找与其所属超像素块不同的点，并将不同的点的超像素块序号记录在邻接关系表本超像素条目内，去掉条目内出现的重复的超像素块，即得到最终的全图邻接关系。

作为本发明进一步的技术方案，在所述子步骤5b中，进行聚类的距离采用欧式距离进行定义。

与现有技术相比，本发明具有以下有益效果：

1.各种子点在步长乘步长的图像范围内进行区域生长，考虑了图像中同质区域通常具有较近的空间距离,即对于两个像素点来说，距离较近的两个相似像素点相比于距离较远的两个相似像素点有更高的概率属于同一同质区域这一因素，带来了在分割的准确性上在限制范围内区域生长相比全局范围内区域生长能更好地将不同的区域分开；相比于聚类算法，使用限制区域生长法减小了计算量，提高了运行速度；

2.设置种子点的生长门限值和进行二次区域生长，考虑了初始所抛洒种子点可能并未覆盖全图中实际存在的所有异质区域的情况，即当图像中的部分物体较小或形状扭曲的情况下，可能导致未有种子点播撒在其范围内，进而导致将其划入错误的区域，造成分割错误。设置生长门限值，以光栅扫描顺序进行二次区域生长，可以将种子点成功播撒到一次种子点未覆盖的异质区域中，解决了存在的问题；

3.基于限制区域生长划分得到的超像素块使用隐马尔可夫模型得到的语义分割结果边界划分更加清晰，相对于基于像素点的隐马尔可夫模型分割结果更有区域的完整性，并且在对于噪声的控制上效果更好，是分割结果更易把控；

4.目前的深度学习算法对计算机的CPU、内存、硬盘和显卡提出了较高的要求，本算法依赖基本的CPU计算，并针对运行计算机内存大小处理相应的图像尺寸，不对上述各项提出硬性的要求，限制较小，对于计算机的性能要求较低。

附图说明

图1是本发明图像分割方法的整体流程框图；

图2是本发明图像分割方法中步骤5的内部流程图；

图3是本发明图像分割方法中主要步骤处理后的结果显示图；

图4(a)是实施例1中未经处理的原图；图4(b)是实施例1中利用本发明方法对图4(a)原图图像分割处理的效果图；图4(c)是基于原图像素点，利用隐马尔可夫模型的图像分割算法对该原图处理后的效果图；

图5(a)是实施例2中遥感图像原图；图5(b)在对实施例2中经本发明方法对图5(a)遥感图像原图分割处理后的效果图；图5(c)是基于遥感图像原图像素点，利用隐马尔可夫模型的图像分割算法对该遥感图像原图处理后的效果图。

具体实施方式

下面结合具体实施例对本发明的图像分割方法做进一步详细的描述，以便公众能够更深刻的知晓本方法的优越性，加以规模应用；但本发明的实施方式并不限于此。

基于SLIC分割算法对于空间距离的考虑、区域生长法对于异质区域的良好分割和隐马尔可夫模型对于邻近区域的考虑，本发明吸收上述三种算法的优良特性，实现一种考虑同质区域空间距离特性，对不同异质区域覆盖良好、划分准确，并能在超像素层面考虑邻接超像素块关系的分割算法。相比于SLIC算法和区域生长法，本发明能覆盖全图存在的各个异质区域，对于不同异质区域划分更加准确；相比于在像素点基础上的隐马尔可夫模型，本发明的图像分割效果受噪点的影响更小；对比基于深度学习的各种分割算法，本发明不需预先训练，节约了时间成本，且对于运行本发明算法的计算机的性能要求更低。

本发明针对传统算法的局限性，提出了基于二次限制区域生长法的图像分割方法，目的是得到划分准确的图像分割结果。

首先，使用两次限制区域生长方法对全图做超像素分割；然后，计算各个超像素块内所有像素点的各维度均值和；最后，基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对超像素块归类得到最后的图像分割结果。

参照图1的流程框图，本发明基于二次限制区域生长法的图像分割方法，其具体步骤如下：

步骤1，将图像从RGB空间转换到Lab空间；

子步骤1a、将图像从RGB空间转换到XYZ空间，

X＝0.4124564r+0.3575761g+0.1804375b

Y＝0.2126729r+0.7151522g+0.0721750b

Z＝0.0193339r+0.1191920g+0.9503041b

子步骤1b、将图像从XYZ空间转换到LAB空间，

步骤2，对图像进行第一次限制区域生长法生成初步的超像素块；

子步骤2a、根据图像尺寸大小，设置种子点数和阈值；

子步骤2b、在图像横向和纵向均匀抛洒种子点，使得在同方向的任意相邻两种子点间的像素数量相同，将相邻种子点间的像素数量记为步长；

子步骤2c、各种子点以光栅扫描的顺序在以自身为中心横向步长乘纵向步长的范围内进行区域生长。

具体来说，各种子点以横向步长乘纵向步长的区域为范围。临近边界区域的种子点在种子点到图像边界距离小于步长时，以图像边界为范围边界。各种子点按顺序对区域内的未被标记过的各个像素点计算距离，即，计算当前种子点到未标记像素点的距离，距离小于设定阈值的像素点，将其标记为当前种子点所在的超像素块区域。

距离可选用多种不同的方式定义，如欧氏距离、马氏距离、闵可夫斯基距离等，考虑到计算效率问题，选取欧式距离为佳。

上式中，dist为欧式距离，x_i为每个种子点横向步长乘纵向步长的范围内各待测区域像素点，mean_j为各种子点像素值。

步骤3，对图像进行二次限制区域生长，完成对全图的超像素块划分；即，以光栅扫描顺序遍历全图进行二次限制区域生长，将所述步骤1中未被标记各点进行标记，得到对全图划分完毕的超像素块。

子步骤3a、以光栅扫描顺序遍历全图，按序将下一个未标记的点作为种子点；

子步骤3b、以子步骤3a所述的种子点为原点对周边未标记各点进行区域生长，区域生长的阈值与子步骤2a的所设置阈值数值相同；

子步骤3c、若全图存在未标记的点，重复子步骤3a，否则执行子步骤3d；

子步骤3d、记录全图像素点所属的超像素块划分。

步骤4，对全图的超像素块计算均值并记录；

子步骤4a、统计全图各超像素块内部所含的全部像素点各维度总值和像素点数量，以全部像素点各维度总值与像素点数量进行商运算，即得到超像素块各维度的均值，将其作为该超像素块的维度值。

上式中

是各个超像素块的均值，N是超像素块内的像素个数，L_i、a_i、b_i是各像素点的各维度值。

子步骤4b、将全图超像素块的各维度均值进行记录。

步骤5，基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对超像素块进行归类得到最后的图像分割结果。在本步骤中核心思想是根据隐马尔可夫模型，某超像素块的状态与其邻接的所有超像素块的状态有关，建立一种对此超像素块邻接关系的描述，在本步骤的具体实施中这种邻接关系的描述使用伊辛模型和高斯函数具体实现。图像中所有超像素块邻接关系的描述构成了图像的能量总和，为了使图像能量系统获得稳定，本步骤使用模拟退火算法，通过迭代控制能量值的变化，当图像的能量区域稳定后得到最后的分割结果。本步骤的具体子步骤参见图2；图2是本发明图像分割方法中步骤5的内部流程图；

子步骤5a、计算各超像素块的邻接关系，确定初始区域个数、迭代次数和能量变化预定值，随机初始化种子超像素块；

对于计算超像素块的邻接关系有多种方法，在此提供一种具体的实现方式。创建空的邻接关系表，长度为超像素块个数，遍历全图的像素点，对每个像素点在其邻域范围内寻找与其所属超像素块不同的点，并将不同的点的超像素块序号记录在邻接关系表本超像素条目内，去掉条目内出现的重复的超像素块，即得到最终的全图邻接关系。

子步骤5b、使用Kmeans聚类算法对所有超像素块进行聚类，并计算归类后各类的均值和标准差，并将各维度数值进行加权；

进行聚类的距离可以使用多种定义方式，考虑到计算效率，宜选用欧式距离。

子步骤5c、根据高斯函数，计算图像的高斯能量U₁值。

上式中，ω为聚类结果，F为超像素块的样本空间，s_i为各个超像素块，

是子步骤4b记录的各个超像素块的均值，μ_ω是各个类的均值，σ_ω是各个类的标准差。

子步骤5d、根据伊辛模型，计算图像的先验能量U2值，并计算出此次迭代的总能量U

上式中，

是势函数，ω为聚类结果，c₁,c₂,s,t为超像素块，β是马尔可夫合并代价，β值取1。

U＝U₁+U₂

全图的总能量是伊森模型先验能量和高斯函数能量的和。

子步骤5e、根据模拟退火算法的原理，计算全局能量变化，若小于能量变化预定值或达到迭代次数设置，迭代结束，保留超像素块聚类结果，否则重复子步骤5b；

子步骤5f、将所有超像素块内的各像素点标记最终聚类类别，并在图像中输出分割结果。

本发明图像分割方法各个主要步骤的输出结果如图3所示，以辅助说明本发明各主要输出步骤的实施效果。第一张图是待分割原图，第二张图是第一次限制区域生长后的图像效果，第三张图是第二次限制区域生长后的效果，第四张是对第三张图中的超像素块进行基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法归类得到的图像分割结果。

本发明的方法使用限制区域生长方法划分超像素块，相比区域生长法考虑了图像中同质区域的相关特性，相比SLIC中的聚类算法加快了超像素块的划分速度，具有既考虑物体空间特性，又兼顾超像素块分割速度的特点。使用二次限制区域生长法考虑了初次播撒种子点不能覆盖图像所有待划分物体和可能出现的一次播撒种子点数量不合适的情况，能更好地根据图像信息生成合适的超像素块。在超像素块的基础上使用基于隐马尔可夫模型的图像分割算法，确保了分割结果相比像素点的划分结果更具有整体性且对于图像中产生的噪点能进行更好的控制。

实施例1：

图4为普通图像分割效果对比图，其中，图4(a)是原图，图4(b)是利用本发明方法处理后的结果。在本实施例中，利用本发明算法，在步骤2中种子点数设置为200，阈值设置为30，在步骤5中初始区域个数为8，迭代次数为30，能量变化预定值为0。对图4(a)原图按照本发明方法进行处理，得到图4(b)的结果图像；作为对比结果，图4(c)是基于像素点应用隐马尔可夫模型的图像分割算法的效果，其结果均在相同聚类个数、迭代次数和能量变化预定值设置下得到，可以看出基于像素点的隐马尔可夫模型将木板与水果等明显不同类别的物体划分在了一起，而本方法将异质区域分割，归在不同类别内，解决了这类明显的类别划分性错误，体现出本发明方法的优越性。

实施例2:

为了说明本发明方法在图像纹理和细节较为丰富的情况下的分割效果，以图5(a)中图像作为处理对象进行处理，其作为本实施例来进行实施，图5(a)是未经处理的原图，图5(b)是经本发明方法处理后的结果图，在本发明方法的应用当中，步骤2中种子点数设置为200，阈值设置为40，步骤5中初始区域个数为5，迭代次数为30，能量变化预定值为0。输入图(a)得到图(b)的结果。作为对比结果，图(c)是基于原图像素点应用隐马尔可夫模型的图像分割算法的效果，结果均在相同聚类个数、迭代次数和能量变化预定值设置下得到。由于图像尺寸较大，为了对比分割结果，特截取放大细节部分以便对比效果，在红圈圈中的部分，本方法所分割的道路连贯性较优，能将道路与农田、房屋等地物明显的划为不同类别，而对比方法受到噪声的影响，将多个异质区域划入同一个类别，如将部分农田与道路判为一类，对道路的分割连贯性不佳，可见对于纹理较为复杂的图片，在不进行滤波的前提下，本算法可以得到更优的分割效果。

本发明的可分割图像尺寸与电脑内存大小有关，1GB的运行内存可处理1400×1400像素的3通道图像，本算法对于电脑的要求较低。本发明的方法在考虑图像空间特性的情况下既提高了分割结果的准确性和空间整体性，也保证了分割的效率，有利于算法的工程应用。

以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.基于二次限制区域生长法的图像分割方法，其特征在于，包括以下步骤：

步骤1.将图像从RGB空间转换到Lab空间；

步骤2.对所述步骤1处理的图像进行第一次限制区域生长法生成初步的超像素块；

步骤3.对图像继续进行二次限制区域生长，完成对全图的超像素块划分；

步骤4.对全图超像素块的各维度进行均值计算并作记录；

子步骤4a.统计全图各超像素块内部所含的全部像素点各维度总值和像素点数量，以全部像素点各维度总值与像素点数量进行商运算，即得到超像素块各维度的均值，将其作为该超像素块的维度值；

上式中，

是各个超像素块的均值，N是超像素块内的像素个数，L_i、a_i、b_i是各像素点在LAB空间的各维度值；

子步骤4b.将全图超像素块的各维度均值进行记录；

步骤5.基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对超像素块进行归类得到最后的图像分割结果；

子步骤5a.计算各超像素块的邻接关系，确定初始区域个数、迭代次数和能量变化预定值，随机初始化种子超像素块；

子步骤5b.使用Kmeans聚类算法对所有超像素块进行聚类，并计算归类后各类的均值和标准差，并将各维度数值进行加权；

子步骤5c.根据高斯函数，计算图像的高斯能量U₁值；

上式中，ω为聚类结果，F为超像素块的样本空间，s_i为各个超像素块，

是所述子步骤4b中记录的各个超像素块的均值，μ_ω是各个类的均值，σ_ω是各个类的标准差；

子步骤5d.根据伊辛模型，计算图像的先验能量U2值，并计算出此次迭代的总能量U

上式中，

是势函数，ω为聚类结果，c₁,c₂,s,t为超像素块，β是马尔可夫合并代价，β值取1；

U＝U₁+U₂

全图的总能量是伊森模型先验能量和高斯函数能量的和；

子步骤5e.根据模拟退火算法的原理，计算全局能量变化，若小于能量变化预定值或达到迭代次数设置，迭代结束，保留超像素块聚类结果，否则重复子步骤5b；

子步骤5f.将所有超像素块内的各像素点标记最终聚类类别，并在图像中输出分割结果。

2.根据权利要求1所述的基于二次限制区域生长法的图像分割方法，其特征在于，所述步骤2中，进行第一次限制区域生长法生成初步的超像素块的具体实施步骤是：

子步骤2a.根据图像尺寸大小，设置种子点数和阈值；

子步骤2b.在图像横向和纵向均匀抛洒种子点，使得在同方向的任意相邻两种子点间的像素数量相同，将相邻种子点间的像素数量记为步长；

子步骤2c.各种子点以光栅扫描的顺序在以自身为中心横向步长乘纵向步长的范围内进行区域生长。

3.根据权利要求2所述的基于二次限制区域生长法的图像分割方法，其特征在于，所述子步骤2c的更具体实施过程是：

各种子点以横向步长乘纵向步长的区域为范围；临近边界区域的种子点在种子点到图像边界距离小于步长时，以图像边界为范围边界；各种子点按顺序对区域内的未被标记过的各个像素点计算距离，即，计算当前种子点到未标记像素点的距离，距离小于设定阈值的像素点，将其标记为当前种子点所在的超像素块区域；

距离选用欧式距离进行定义，

上式中，dist为欧式距离，x_i为每个种子点横向步长乘纵向步长的范围内各待测区域像素点，mean_j为各种子点像素值。

4.根据权利要求2或3所述的基于二次限制区域生长法的图像分割方法，其特征在于，所述步骤3中，对图像进行二次限制区域生长的具体实施步骤是：

子步骤3a.以光栅扫描顺序遍历全图，按序将下一个未标记的点作为种子点；

子步骤3b.以子步骤3a所述的种子点为原点对周边未标记各点进行区域生长，区域生长的阈值与所述子步骤2a的所设置阈值数值相同；

子步骤3c.若全图存在未标记的点，重复子步骤3a，否则执行子步骤3d；

子步骤3d.记录全图像素点所属的超像素块划分。

5.根据权利要求1所述的基于二次限制区域生长法的图像分割方法，其特征在于，所述步骤1的具体过程是：

先将图像从RGB空间转换到XYZ空间，

再将图像从XYZ空间转换到Lab空间。

6.根据权利要求1所述的基于二次限制区域生长法的图像分割方法，其特征在于，在所述子步骤5a中，计算各超像素块的邻接关系具体通过以下方式实现：

创建空的邻接关系表，长度为超像素块个数，遍历全图的像素点，对每个像素点在其邻域范围内寻找与其所属超像素块不同的点，并将不同的点的超像素块序号记录在邻接关系表本超像素条目内，去掉条目内出现的重复的超像素块，即得到最终的全图邻接关系。

7.根据权利要求1所述的基于二次限制区域生长法的图像分割方法，其特征在于，在所述子步骤5b中，进行聚类的距离采用欧式距离进行定义。

Images