1.1研究背景

图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景，而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来。

1.2目的及意义

在数字图像处理的大部分领域中，图像分割有着广泛的应用，如工业自动化、生产过程控制、在线产品检验、图像编码、文档图像处理、遥感和生物医学图像分析、保安监视，以及军事、体育等方面。因此，图像割一直是计算机视觉领域研究的重要内容，对各个行业都有非常广泛的应用，例如人脸识别等技术都要涉及到图像分割。

然而，将图像分割的技术应用到某一具体领域、某一台具体的设备上，会出现运行效率低下，结果产生不及时，内存利用率不高等情况，因此对图像分割算法的时间复杂度和空间复杂度都有新的需求。

1.3当前现状

在计算机视觉领域，图像分割指的是将数字图像细分为多个图像子区域的过程，这些区域是像素的集合，也被称作超像素。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。

从2003年超像素这一概念提出以来，国内外的很多学着提出很多基于超像素分割的算法。大致可分为两类：基于图论的方法和基于梯度下降的方法。基于图论的图像分割是一种自上而下的全局分割方法，其主要思想是把整幅图像看作一幅带权无向图，图像中每一个像素对应图中的一个节点，像素之间的相邻关系对应图的边，像素特征之间的差异或相似性对应边上的权重。然后在所建立的图上利用各种分割准则来对图中的节点进行划分，进而完成对图像的分割。对于基于梯度下降法，是由初始的粗聚类开始，并通过梯度下降方法不断地更新聚类，直到收敛为止。两类算法都可以得到很好地得到图像分割结果。

Birch算法是1996年由Tian Zhang提出的，该算法的全称是：利用层次方法的平衡迭代规约和聚类。该算法主要包括两个阶段： 阶段一：BIRCH扫描数据库，建立一棵存放于内存的初始CF树，它可以看作数据的多层压缩，试图保留数据的内在聚类结构。 阶段二：BIRCH采用某个(选定的)聚类算法对CF树的叶节点进行聚类，把稀疏的簇当作离群点删除而把稠密的簇合并为更大的簇。Birch算法基于距离的层次聚类，将内存空间考虑在内，减小数据集的输入输出，综合考虑聚类过程中的时间/空间的效率、数据的敏感性和最终聚类结果的精确性等各项因素，最大化的利用内存得到最优的聚类效果。

2. 研究的基本内容与方案

基本内容：