本文采用了一种新的方法，体素云连通性分割（VCCS），它利用RGB+D三文摄像机生成的3D几何提供了比现有方法更符合对象边界的超像素[1]，这种超像素均匀地分布在实际观测到的空间而不是在投影平面中。这是使用基于在三文空间中的播种方法和利用颜色以及几何特征迭代聚集完成的。除了提供符合真实几何关系的超像素，该方法也可直接使用在多个RGB+ D摄像头组合出来的点云上，而且其速度满足应用在机器人上的要求（三文模拟超像素）。
1.2    研究现状
1.2.1 基于梯度上升的方法
 基于梯度上升的超级像素分割算法的基本思想是：从一个初始的粗糙的聚类开始进行迭代过程，每次迭代从先前的迭代结果中提炼出一个更好的分割，直到结果收敛为止，最终完成对图像的分割[6]。

1.2.1.1 Turbopixels方法
    Levinshtein等人的Turbopixels[7]方法。使用了基于水平集的基于流几何算法，而且实施了紧凑的约束，以确保超像素有规律的形状。不幸的是，它在许多应用中太慢了;虽然作者声称复杂度和图像大小线性相关，在实际应用中，执行VGA级的图像所需时间超过10秒[22]。Turbopixels激发了Veksler等人的灵感，使用能量最小化框架将图像块缝合在一起，用图切割对能量函数优化。他们的方法（这里简称GCb10）比Turbopixels快得多，但即使对于小图像仍需要几秒钟。

1.2.1.2 Quick shift方法
Vedaldi等人提出的Quick shift[17]分割算法（以下简称QS08）类似于MS02的模式搜索，但是比MS02快。它不断促使像素特征空间中的每一个数据点，向着能使Parzen密度估计增大的最近的像素移动来实现图像的分割。QS08算法是非迭代的，不能明确地控制生成超级像素的大小和数量，同时也非常速度也非常慢（复杂度为O(dN2)，d为一个小的常数）。QS08已被应用于目标识别[9]和运动分割[24]。
1.2.1.3 SLIC方法
近日，显著更快的超像素方法类已经出现 - 简单线性迭代聚类（SLIC）。这是一个迭代梯度上升算法，它使用了本地的K-均值聚类方法[5]，能够有效的发现超像素，在颜色和像素位置的五文空间中聚集像素。深度自适应超像素方法将这个想法扩展到去使用深度图像，通过添加 深度和点正常角度的文度以扩大聚类空间。虽然DASP是高效的而且给出了希望的结果，但它并不充分利用RGB+ D数据的优点[4]，即保留在2.5D方法的类中，因为它没有明确地考虑三文连通或几何流。 PCL3D点云超级体素分割算法研究(2):http://www.youerw.com/jisuanji/lunwen_28773.html