自适应目标与内容匹配的层级图像分割算法*

魏明桦，郑金贵

1.福建农林大学 作物科学学院，福州 350007

2.福州职业技术学院 信息技术工程系，福州 350108

1 引言

图像分割是机器视觉与图像处理学科的基础问题，原始图像像素点通过图像分割转化成若干个区域，不但能够消除大量的冗余信息，还能够提升后续图像处理的性能[1-3]。分割后的图像区域带有自身的尺度约束，使其产生更有意义的性能，而这些性能可以更多地应用至机器视觉的各项应用中[4-6]。因此，图像分割拥有较强的应用价值。

图像分割有早期的阈值分割[7]、Graphcut分割[8]、超像素分割等方法[9]，近几年朝着不同的方向发展。有学者通过融合特征构建图割算法[10]，也有学者采用可变组件模型的Hoiem算法[11]，还有更为细致的超像素分割与区域合并算法[12]，以及基于PFE（piecewiseflatembedding）的多标签图割算法[13]，另外还有学者通过深度神经网络构建图像分割方法[14]。相比于传统方法，近几年提出来的层级分割算法产生了更优的效果[15]。实际上，按照人类的视觉信息分组过程，层级分割模拟人类视觉，将某个像素点组成的区域看作是一个层级，从底向上组成层级树，最终形成复杂的分割目标。人类视觉系统的层次分割规律模拟至图像分割上产生的层级分割算法，是当前效果显著，且意义重大的图像分割算法之一。

当前最常用的层级图像分割算法为超度量轮廓图（ultrametric contour map,UCM）图像分割算法[16]。该算法通过方向性分水岭变换算法将原始图像中的轮廓信号变换为超度量轮廓图，再在UCM上迭代地完成相邻区域融合以形成图像的层级分割。然而，该算法在图像轮廓的提取上，采用分水岭算法的变换上，以及UCM层级树的划分上还存在较多模糊区域，使其针对色彩范围大、纹理碎片多的图像分割不佳，对轮廓适应性弱、层级匹配能力较弱且分割碎片较多等。为了解决传统UCM算法的不足之处，本文提出一种自适应目标与内容匹配的改进UCM层级分割图像算法，该算法使用“轮廓盒子（edge boxes）”提取图像关键轮廓，然后使用加权分水岭算法合并区域，并采用动态规划的方式自适应完成目标与内容匹配，重新调整UCM层级树的尺度，最终完成调整尺度后的UCM层级图像分割。

本文的创新点如下：

（1）提出了加权分水岭算法，该算法解决了原始算法对图像轮廓适应性弱的问题；

（2）提出了自适应目标与内容匹配的方法，通过动态规划的方式重新调整UCM层级树的尺度，使得相同尺度的层级区域划分至同一个类别，减少了分割碎片，保证了层级匹配。

2 基于UCM的层级图像分割算法及其改进

UCM层级分割算法首先采用gPb轮廓检测算子[17]提取图像关键轮廓，随后使用有向分水岭（oriented watershed,OWT）算法将轮廓信号变换为超度量轮廓图，然后使用UCM算法完成目标分割。实际上，由于gPb轮廓算子的计算开销较大，计算过程比较复杂。在本文的改进UCM层级图像分割算法中，首先采用“轮廓盒子”[18]提取到图像的关键轮廓，该方法能够快速提取到图像轮廓，大幅度降低图像分割的时间复杂度；然后采用改进的加权WT算法将轮廓信号变换为超度量轮廓图，通过加权WT算法能够有效消除传统OWT算法产生的“伪轮廓”，让UCM算法更为精确。

2.1 加权WT算法

在传统UCM算法中，采用的有向分水岭（OWT）算法对分水岭的边缘完成直线拟合，通过有向的方式可以使分水岭边上的每个像素均有一个方向，在进行分水岭赋值过程中将会以一定的边缘概率选择相应方向上的边缘，OWT算法能够很好地解决传统WT算法产生的“伪轮廓”问题[19]。然而，OWT算法要求输入的轮廓带有方向性，但是并不能满足所有的边缘检测算子，适应性较弱。因此，本文结合OWT算法提出了一种改进的加权WT算法，该算法能够满足绝大多数边缘检测算子，适应性强，且同时能够有效地解决“伪轮廓”问题。在加权WT算法中，分为赋值和抑制两个阶段：

（1）赋值阶段。由于传统WT算法将会产生过多的微小碎片分割，首先将原始边缘E(x,y)通过高斯模糊σ=1后获得Ef(x,y)；然后采用WT算法，获得边缘的基础分水岭分割图Sw(x,y)，使用Sw(x,y)=1表示点(x,y)处对应的像素属于分水岭的边，因此分水岭的边即可按照原始边缘检测分布，通过下式给出的判断进行分水岭边的赋值：

经过上式计算获得具有软边缘的分水岭边缘图像Ew(x,y)，实际上还是会增强一些边缘的强度。

（2）抑制阶段。在抑制阶段中，首先将提取的轮廓Ef(x,y)进行非最大值抑制，获得非最大抑制轮廓Enms(x,y)。图1给出了抑制后的轮廓结果。由于Enms(x,y)是按照原始轮廓图的边缘进行分布的，其并不会产生额外的边界，从而该轮廓图可以用于重新加权分水岭边缘的强度值。实际上，通过对分水岭轮廓Ew(x,y)和非最大抑制轮廓Enms(x,y)进行加权求和，以获得分水岭软边轮廓图：

其中，Sw(x,y)=1用于给出限制条件，让该加权求和的过程仅发生在求解的分水岭边缘上。图1给出了加权WT算法过程与结果图。本文改进的加权WT算法能够通过更为简便的非最大抑制和加权运算消除“伪轮廓”的影响，同时也不会对轮廓图有特定方向的要求。在实验中，α、β的值是根据BSDS500验证集上的优化计算得到的。在加权分水岭算法中，需要通过非最大抑制轮廓来抑制分水岭轮廓图像中的细节噪声。根据图1中的结果可以看出，非极大抑制轮廓能够保留给出原始分水岭轮廓图像中的许多纹理细节，而分水岭轮廓的图像在大轮廓上的结果较为明显。在实验中，应该保证权重α+β=1，为了分别确定两个不同的权重，可以通过观察原始分水岭轮廓的强度，当大轮廓强度过大，而小轮廓几乎被抑制掉时，α选择的范围是α∈[0.35,0.50]，而当大轮廓强度一般，小轮廓的部分细节还在的情况时，α选择的范围是α∈[0.50,0.65]，非极大抑制轮廓的权重则通过分水岭轮廓的等式关系来确定。在图1的情况下，由于大轮廓的强度较大，选择α=0.4,β=0.6。

2.2 UCM算法

通过加权WT算法构建的边缘强度给出了各个像素点满足真正轮廓的概率，这样就可以通过边缘图的分布来刻画出图像分割的层级性。基于此的UCM算法通过定义在闭合的、非交叉的，带有权重的层级轮廓关系，进而完成轮廓信号变换为超度量轮廓图(UCM)。其中，等级低的层级与弱边缘相关联，形成图像的多分割；等级高的层级与强边缘相关联，形成图像的欠分割。由于在层级变换过程中可以产生出不同尺度的分割区域，可以在分割过程中，通过多个层级的区域信息作为先验知识，并确定采用哪个层级完成分割任务。UCM算法可以对每个层级编码成树，并对轮廓的强度设置阈值，通过阈值分割保留阈值之上的轮廓，产生一系列封闭轮廓。对于在UCM中生成的嵌套轮廓，可以通过移除交叉边缘来完成两个嵌套区域的融合。

Fig.1 Procedure and results of weighted watershed algorithm图1 加权WT算法过程与结果图

UCM通过图论来构建完整的层级区域树，并通过贪心算法来实现。在UCM中，假设初始定义的图为G=(P0,K0,W(K0))。其中，图的节点是层级轮廓的初始区域P0，节点之间的边K0，用于分开两个相邻的区域，边上的权重W(K0)是两个相邻区域的距离度量。通过无向图的定义，可以采用UCM计算出各个轮廓的平均强度，然后将各个边按照权重进行排序，以迭代的方式，融合当前权重最小的两个区域，并移除它们的交叉边缘。迭代完成的条件是直到整幅轮廓产生的区域树的根节点是整幅图像，叶子节点是初始分割P0，上层层级的区域总是由下层层级的子区域组合而成。

根据上述给出的过程，本文构建了一个以Edge boxes-加权WT-UCM的改进层级图像分割算法。图2给出了采用该方法进行图像分割的一个实例。如图2（c）所示，通过加权WT-UCM的过程，可以从图像轮廓图上获得包含有全部层级分割信息的UCM，进而求出了该UCM下的图像分割结果，如图2（d）。图2（e）中给出了取阈值θ=0.4后产生的不同UCM结果，图2（f）中给出了相应的图像分割结果。

Fig.2 Example on improved edge boxes-weighted watershed-UCM algorithm图2 Edge boxes-加权WT-UCM的图像分割算法

3 自适应的目标与内容匹配UCM分割算法

UCM层级树是通过区域间的合并获得的，然而，很难通过实际的角度去处理这些合并以及构建UCM层级树。实际上，图像的一个分割过程可以被表达成一个关于每个像素点的标签矩阵，UCM层级树则需要更负责的标签表达方式。在本研究中，UCM被用于自适应的层级目标和内容的自适应匹配中来，因此构建UCM层级树的剪枝过程成为了分割中的重要部分，因为剪枝后的部分对图像分割意义重大。由于UCM层级树是基于低等级的特征构造出来，例如，边缘、颜色或纹理特征。实际上，这些特征目标的尺度并不能够直接形成连贯，因此在层级竖行将会产生一定的差异性。本文提出的方法能够从UCM层级树的中等级特征中学习到目标的尺度概念。本文算法的目的是尽可能多地利用UCM层级树的中等级特征的特性，而尽量避免获得UCM层级树中的高等级特征。中等级特征能够为算法在分割图像过程中获得超越尺度的限制，让分割的结果表现在各个中级特征尺度下，分割的效果更为平滑。在这些基础的分析之上，本文算法需要首先以低等级的特征构造出UCM层级树，然后在UCM层级树上探索并构建出中等级特征，以最大程度获得层级图像分割图像的一部分。另外，本文的自适应匹配算法旨在提供一个在所有图像中的全局自适应匹配过程，也就是说，当改变待分割图像的时候，依然能够通过该算法提供尺度的层级来保证层级树中的中等级特征，保证算法对所有图像分割的有效性。当UCM层级分割算法包含有图像中的大量多尺度分解时，此时并不需要提取如此丰富的UCM层级知识，因为当前形成的UCM层级并不是完全按照分割目标与分割内容相匹配来完成的。简单来说，去掉其中一个UCM层级将会造成某些轮廓出现欠分割，同时另一些轮廓出现过分割。在本章中，提出另一个可以自适应匹配分割层级的算法，该算法能够使得图像的UCM层级在实际使用过程中更为容易。首先将UCM层级的尺度标上标签，然后采用自适应匹配的策略完成对目标和内容的匹配。

3.1 UCM层级尺度打标签

使用τ表示图像经过UCM层级分割后产生的层级树，且vi是层级树上第i个节点，与图像分割片段相对应。在层级树τ中，本文的任务是寻找树的切片过程ξ，该切片过程能够将整个层级树的所有节点（UCM层级）划分为三部分：L-、L、L+。该三部分分别表示欠分割层级、适合分割层级和过分割层级。图3给出了一个将UCM层级树划分的例子。

Fig.3 Example of UCM hierarchical tree slice图3 UCM层级树划分例子

UCM层级树划分的问题可以看作是三类别标签的分类问题。对于每个节点vi，使用x(vi)∈{-1,0,1}表示它的类别标签，其中的-1、0、1可以分别表示对应的L-、L、L+分类。现在假设有映射函数f(vi):vi→[-1,1]用于提供检测UCM层级树之间的间隔尺度。其中，负值表示的是欠分割的层级，0表示的是合适分割的层级，正值表示的是过分割的层级。f(vi)的实际输出值构成了是否适合层级分割的偏差值，后面给出求解f(vi)的学习算法过程。

层级树的各个节点vi的打标签过程可以通过贪婪地求解每个节点的最优得分类别来完成。然而，并不是任何的标签都能够表达出层级树的合理划分。根据文献[20]中对层级树划分的定义来看，层级树的划分包含有一组节点，且这些节点将会组成任意一条路径Pn,n∈{1,2,…,N}，且所有路径都是从叶子节点开始到根节点结束v0，并且路径中仅仅包含该组所有节点一次。在图3（a）中用绿色的线条给出了一条路径的例子。

其中，#(v)表示的是层级树节点v的能量大小，λ是两个能量项之间的权重值，l(vi)为节点标签vi∈{L-,L+}定义的损失函数，该损失函数通过x(vi)和f(vi)之间符号的一致性来定义：

损失函数通过下面两个对立的条件进行惩罚，从而解决优化问题：

（1）具有正值得分的过分割对应的层级区域；

（2）具有负值得分的欠分割对应的层级区域。

在本文中，通过动态规划方法解决该优化问题。

3.1.1 动态规划方法推理

UCM层级树打标签的优化问题是带受限条件的结构化问题（式（3）），可以通过迭代的动态规划方法解决该优化问题。对于任意子树的根节点v，它的最优划分L(v)或者是节点本身，或者是它所有孩子节点vc的最优划分组合，最优划分依赖于能量更低的孩子节点组成的划分路径。因此，该优化问题存在更优的子结构，且能够轻易地适应动态规划的框架，因此采用动态规划方法可以求解最优的全局方案。

该优化问题是针对UCM层级树自底向上求解。对于每个子树的当前根节点v，其相应的能量v∈L(v)可以被计算出来，并且其所有孩子节点的最优划分的能量也需要被计算出来用于对比。算法可以来回遍历，并且所有的最优化划分与子节点的最优化划分之间的能量比较可以在算法到达根节点之前完成。当算法迭代到根节点时，即可获取UCM层级树的全局最优划分结果，即式（3）的最优结果。采用动态规划算法求解该优化问题效率较高，可以在O(N)的时间复杂度内完成全局最优划分的求解。

动态规划方法推理过程如下所示：

输入：UCM层级树节点vi。

3.1.2 预测层级区域的尺度

为了预测某个UCM层级区域的尺度属于欠分割、适合分割或过分割，采用当前机器视觉系统的一般方法，通过人类标注数据学习出一个预测器，再采用该预测器对UCM层级区域完成预测。为了达到学习预测器的目的，定义了一个判断过程用于比较当前图像层级区域r与相应的人类标准的图像层级区域g的尺度。在比较和判断中，计算层级区域r与层级区域g的重复率(interaction of unit,IoU)，重复率最高的人类主观判断标准结果将被认为是最佳结果。

当获得了最佳尺度的层级区域g之后，层级区域r的尺度可以通过下式定义计算得出：

其中，S(r)的取值范围是[-1,1]，负值取值被认为是欠分割，0取值被认为是合适分割，正值取值被认为是过分割，取值的大小反映了欠分割或过分割的程度，也就是期望从f(v)中获得的最优结果。通过式（5），可以计算出各个层级区域的尺度，并且可以将这些尺度结果用于训练层级区域的尺度预测器。

在学习层级区域的尺度预测器中，采用随机森林回归[22]作为预测f(v)的机器学习模型，由于随机森林属于级联分类器，可以在不同的级别中对不同类型的特征进行分类，最终再通过加权分类，适合本文采用的组合特征的分类。对于随机森林回归的输入特征，使用了低等级和中等级的组合特征，提取方法采用了文献[22]中使用的目标提取过程。设计了获取一系列区域特性的特征，并且在实验结果中给出了组合特征的具体描述。

3.2 层级目标与内容自适应匹配

在通过动态规划方法求解出UCM层级区域的最优划分后，根据该最优化划分展开UCM层级树。图4给出了本文提出的层级目标与内容自适应匹配过程。其中，图4（a）表示的是所有目标都存在于相同尺度的UCM层级树，而图4（b）则表示出了层级目标与内容自适应后的UCM层级树，可以看出相似尺度的分割目标都处在UCM层级树的同一层。在实验中，使用每个最优节点的阈值作为控制点，并且采用该控制点对原始的层级进行线性插值。在UCM层级分割产生的层级树中，包含有大小为(2h+1)×(2w+1)的节点矩阵，其中h是原始图像的高度，w是原始图像的宽度。对于原始图像中的每一对相邻节点，UCM矩阵中的值表示了它们的边界强度，取值范围为[0,1]。下面给出本文的层级目标与内容自适应匹配的算法过程。

Fig.4 Matching procedure of hierarchical objects and self-adapted contexts图4 层级目标与内容自适应匹配过程

输入：UCM层级树MUCM，以及该层级树的最优划分S。

其中，Boundary(r)表示的是UCM层级区域r对应的边界元素，InnerArea(r)表示的是其内部区域。UCM层级树排列的最优化划分的阈值采用的是UCM算法中的阈值，由于UCM算法针对任何阈值都能够保留好层级，因此阈值的实际取值在合适范围内均可。在传统的UCM算法中，层级的构建采用的是贪婪图的方法，采用层级间的相似性的链接，通过迭代的方式完成相似区域的合并，针对初始化定义的图G=(P0,K0,W(K0))进行如下的迭代操作：

（1）选择最小化的权重边缘：

（2）使用最小化的权重边缘C*迭代的分割区域P0，获得多个子区域R1,R2∈P0。

（3）合并两个子区域R=R1⋃R2，并更新P0←P0{R1,R2}⋃{R},K0←K0{C*}。

（4）分离的相邻子区域K0为空，那么停止迭代，否则更新相邻子邻域之间的权重W(K0)，并且重复（2）、（3）两个步骤。

该步骤可以产生以区域为元素的UCM层级树，其中的叶子包含有初始化区域P0，而根节点则包含的是整个图像，所有的区域都通过包含关系被UCM层级树排序好。因此，可以通过该UCM层级树中加权每一个边界的大小来获得实值的分割后图像。实际上，通过UCM层级树形成的分割结果是带权重的边缘图像，因此具有出色的特性，可以通过任何的阈值产生合适的封闭边缘。为了让结果更为稳定，在实际分割过程中的阈值设置在θ∈[0.4,0.6]范围内，在本文的展示图像上，使用阈值θ=0.4来排列最优的划分，使得后续的分割变得更为简便。

4 实验结果与分析

4.1 实验数据集

为了验证本文提出算法的可行性和有效性，本文采用BSD500数据集作为实验数据集。该数据集中包含有500张图像，其中200张图像作为训练集，100张图像作为验证集，200张图像作为测试集。每张图像邀请5个不同的学生进行人工标注，并使用标注的平均值作为该图像对应的人工标注类别。在图像分割对比的指标上，分别选择了分割掩盖率（segment cover,SC）、概率边缘指标（probabilistic region index,PRI）和信息变化率（information variation,IV）3个衡量指标，3个指标分别在最优数据集尺度（optimal dataset scale,ODS）和最优图像尺度（optimal image scale,OIS）上进行衡量[23]。

4.2 实验过程

在本文的对比实验过程中，针对以下5种方法进行对比：

（1）gPb-OWT-UCM算法（POU）[16]；

（2）Edge boxes-OWT-UCM算法（EOU）[16,18]；

（3）gPb-加权OWT-UCM算法（PWU）[12,16]；

（4）Edgeboxes-加权OWT-UCM算法（EWU）[12,16,18]；

（5）Edge boxes-加权OWT-UCM算法+自适应目标与内容匹配算法（EWUR）（本文算法）。

训练过程：BSDS500数据集的训练集和验证集合并到一起作为训练集，用于对随机森林回归的训练。5种对比算法用于形成UCM层级树，从训练样本中提取出UCM层级区域。针对每种算法训练出与之相对应的层级区域尺度预测器。由于层级区域中有很大一部分区域属于比较小的待分割区域，并且从这些比较小的待分割区域中提取混合特征是不可靠的，因此在训练预测器过程中排除一些小于50个像素点的小分割区域。特别是对于每个待预测的层级区域r，通过获取人类主观确定的最优层级区域g的最大IoU得分来给予这些区域标签。通过式（5），可以计算出层级区域r的相对尺度对应的区域标签。对于区域r中想要提取的组合特征，采用文献[23]中给出的目标候选提取算法提取获得。在这种情况下，较大的中级等级特征组合被定义用于描述层级区域，采用的组合特征如下所述：

（1）图分布特征：交叉、交叉率、归一化交叉和非平衡归一化交叉。

（2）区域特征：面积、周长、候选框大小、等价椭圆最大的和最小的坐标系长度、离心率、方位、凸包区域，以及欧拉系数。

（3）完型特征：内部和外部区域纹理相似性、内部和外部区域亮度相似性、内部和外部区域边缘能量以及曲线连续性和曲线凸包。

从UCM层级树中一致采样获得的层级区域子集中提取到上述的组合特征。在使用组合特征训练随机森林回归预测器过程中的参数设置如下，每个随机森林包含有100个决策树；动态规划优化式（3）中的λ=0.1用于平衡3种不同尺度组的信息，因为在最优划分L上将会有更多的过分割和欠分割层级区域。

4.3 实验结果

表1给出了实验中5种图像分割算法的对比结果。从表1中的结果可以看出，通过改进的轮廓提取算法、加权分水岭算法以及自适应的目标与内容匹配的改进获得了相当大的分割效果提升，更重要的是，在分割性能上与传统UCM算法也相差不大。相比于OIS指标，本文的改进算法在ODS指标上的性能提升更明显，因为OIS指标隶属于对于单个图像求解最优，单个图像的寻优将会减少机器学习的知识模型带来的优势。因此，在图像分割效果的对比指标上，ODS指标比OIS指标在实际机器视觉应用上具有更强的实用价值，因为实际应用中并没有人类标注的最优标签。

Table 1 Comparison results of 5 different algorithms in experiments表1 实验中5种图像分割算法的对比结果

图5给出了4幅典型的采用目标与内容匹配的UCM层级分割算法的实验结果。最左边给出了原始图像，从左至右则给出了自适应尺度由精到简的图像分割结果，红框给出了人类主观的分割最优结果。从图5的分割结果中可以看出，当平坦的区域通过自适应匹配取出后，自适应层级匹配后的分割结果能够形成与人类更接近的特性。更重要的是，在自适应匹配之后，UCM层级形成了图像的连续区域，包括过分割、合适分割和欠分割层级区域，且这些区域是从上到下的层级。这种分割特性能够让本文提出的图像分割算法应用至更高级的机器视觉领域中。

图6给出了本文实验验证的五种算法的分割结果对比。分别是实验过程中提到的POU算法、EOU算法、PWU算法、EWU算法和EWUR算法。从图6的对比结果中可以看出，本文提出的改进算法比传统UCM层级分割算法获得了较大的提升。从初始轮廓提取、分水岭轮廓合并到自适应层级与内容相匹配，图像在分割过程中的效果获得了一系列的提升，该方法能够更好地适用于机器视觉领域中的目标提取、三维重建等复杂任务。实际上，通过自适应层级与内容相匹配，本文构建的算法可以让处于同级别的层级能够在分割过程中合并至相同分割层级中，减少图像分割过程中的碎片区域，让分割结果变得更为紧凑，本文提出的算法能够更好地保留跨层级之间的边缘。

4.4 算法对比

为了验证本文提出的算法与现阶段主流图像分割算法之间的分割效果及分割性能，本文选择了Threshold[7]、FusionCut[10]、DeepNN[14]、Hoiem[11]、ISCRA（image segmentation by cascaded region agglomeration）[12]以及PFE[13]等算法进行了分割效果的对比。表2给出了本文算法与主流图像分割算法的对比结果。仍然采用SC、PRI和IV三个指标分别在ODS和OIS上进行了对比。从表2的结果中可以看出，本文提出的算法在SC和IV指标上获得了最佳的效果，在PRI指标上，最新提出的PFE算法获得了最好的效果。值得注意的是，本文提出的自适应层级与内容相匹配的优化过程，同样可以适用至PFE+MCG（multiscale combinatorial grouping）算法中，使其获得更优的效果。

Fig.5 Results of UCM based on self-adapted objects and context图5 目标与内容匹配的UCM层级分割算法结果

Fig.6 Comparison results of 5 different image segmentation algorithms图6 5种图像分割算法的对比结果

Table 2 Comparison results between proposed algorithm and state-of-the-art algorithms表2 本文算法与主流图像分割算法对比结果

4.5 实验复杂度对比

本文的实验在Windows 10 64 bit系统，Genuine Intel®i7-6300 CPU，8 GB内存的环境下进行。表3给出了在BSDS500数据集上各种不同算法的时间复杂度对比。从该表中的对比结果可以看出，本文算法的时间消耗集中在UCM层级树和特征提取过程中，在随机森林回归预测与动态规划的优化过程中的时间消耗不大，与主流算法之间的时间复杂度消耗处于同级别。

5 结束语

本文通过“轮廓盒子”提升了UCM算法的轮廓提取性能，并采用加权WT算法解决了轮廓适应性问题；随后采用动态规划自适应调整目标与内容的匹配，提升了UCM层级算法的分割精度，解决了层级匹配能力较弱且分割碎片较多等问题。然而，本文算法还存在提升的空间，今后的研究包括为层级图像分割算法提供更为精准的层级划分以及更高的算法效率，以期满足更多的机器视觉和图像处理场景，获得更多的应用。