本书聚焦于图像语义理解中的核心问题，系统研究了超像素分割、物体检测与物体语义分割三大方向。针对基于区域的图像检索任务，提出了融合最小生成树与割集理论的边缘聚合最小生成树算法，在保证效率的同时生成结构合理的区域划分。针对旋转物体的检测难题，设计了基于特征点对Hough变换的形状模型，通过特征点间的空间关联提升了对物体位置、尺度和旋转角度的估计精度。在语义分割方面，本书进一步将传统技术与深度学习相结合，提出了模糊超像素提取、受控过滤卷积和可形变部件网络三种创新方法，构建了面向显著物体检测与候选区域提取的高性能网络，有效缓解了底层视觉特征与高层语义之间的语义鸿沟。
本书适合从事计算机视觉、图像处理、模式识别及多媒体内容分析等领域的研究人员、算法工程师及高等院校相关专业的研究生阅读，也可作为科研与实践工作的参考用书。

目 录
第1章 绪 论

1.1研究背景
1.2国内外研究现状
1.3本书研究目标和研究内容
1.4本书组织结构
第2章 基础理论和技术
2.1超像素分割的形式化定义
2.2图像分割中的常用理论
2.3线性视觉特征
2.4 Gomory-Hu树
2.5广义Hough变换
2.6动态过滤卷积DFC
第3章 面向RBIR的超像素分割算法

3.1分割算法对RBIR系统的影响
3.2 EI-MST算法框架
3.3基于标签传播的割集定位和更新算法
3.4实验与评价
3.5本章小结
第4章 适应旋转变换的物体形状模型

4.1旋转物体检测
4.2基于特征点对的Hough投票策略
4.3适应旋转变换的物体检测框架

4.4 实验与评价
4.5 本章小结
第5章 结合超像素和形状模型的深度物体语义分割

5.1 深度物体语义分割
5.2传统算法的网络化
5.3 网络化算法的应用
5.4实验与评价
5.5本章小结
第6章 结论
参考文献