針對高分辨率圖像像素分割時間復雜度高的問題，提出了超像素分割算法。采用超像素代替原始的像素作為分割的處理基元，將Hadoop分布式的特點與超像素的分塊相結合。在分片過程中提出了基于多任務的靜態(tài)與動態(tài)結合的適應性算法，使得Hadoop分布式文件系統(tǒng)（HDFS）的分塊與任務分發(fā)的基元解耦；在每一個Map節(jié)點任務中，基于超像素分塊的邊界性對超像素的形成在距離和梯度上進行約束，提出了基于分水嶺的并行化分割算法。在Shuffle過程的超像素塊間合并中提出了兩種合并策略，并進行了比較。在Reduce節(jié)點任務中優(yōu)化了超像素塊內合并，完成最終的分割。實驗結果表明．所提算法在邊緣查全率（BR）和欠分割錯誤率（UR）等分割質量指標上優(yōu)于簡單線性迭代聚類（ SLIC）算法和標準分割（Ncut）算法，在高分辨率圖像的分割時間上有顯著降低。
?