超像素分割的目的是将图像分成若干个连续的并具有相同或类似的颜色和纹理的区域。超像素代替传统的像素点作为后续图像处理的基础,可以大幅提高后续图像处理的速度;同时一个准确度高的超像素算法,能够更好地提高后续操作的准确率。目前比较经典的超像素算法中,SLIC算法因为其算法简单、运算速度较快、分割效果良好等原因而被广泛关注。但是传统的SLIC算法对于纹理不敏感而且超像素块融合过程缺乏方向性,故而对于颜色相对较近的不同区域分割效果不好。针对这种情况,本文提出一种使用改进后的LBP算法进行纹理特征提取并融合该纹理特征进行超像素分割的算法——Simple Linear Iterative Clustering based on Texture(SLICT)。实验结果表明,使用改进后的LBP算法提取的纹理特征,所含噪声更少、相同区域间的连续性更强、不同区域间的差异更明显;而SLICT对于边缘和纹理有着更为优秀的响应,分割的准确度也有着明显提升。本文首先对传统的SLIC与LBP算法进行了介绍,分析了相应的优缺点,并提出了相应的改进方法。主要工作如下:(1)针对传统的LBP算法中存在的问题进行了理论分析,提出在传统的LBP计算公式中加入有效阈值的方法。实验结果表明,改进后的LBP算法提高了其对于噪声的鲁棒性并较好地解决了纹理偏移现象。(2)为验证改进后的LBP算法在提取纹理特征上的效果,针对两类不同的图像——医学图像和自然光图像进行分析,讨论了两类图像各自的纹理表现,并提出了是否使用极值抑制的方法来应对两者图像中纹理表现的不同。实验结果表明,使用改进后的LBP算法加上是否使用极值抑制的方法,可以针对不同的图像都能提取效果良好的纹理特征。(3)针对传统的SLIC算法对于纹理不敏感的问题,提出在聚类过程中加入纹理距离的方法。实验结果表明,在使用更新后的聚类距离公式时,其结果对于弱边缘和弱纹理的相应更好。(4)针对传统SLIC算法中融合超像素块过程缺乏方向性的问题,提出了使用纹理特征作为融合超像素块的依据的方法,并讨论了在融合过程中使用八邻域搜寻策略和四邻域搜寻策略对于分割结果的影响。实验结果表明,使用八邻域搜寻策略的SLICT算法对于弱边缘和弱纹理的区分效果更好,对于边缘的贴合度更强。