1.一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，包括如下步骤：步骤1，构造样本相似性矩阵：设原图像包含n个像素点，从中随机均匀选取m个样本点(m<

造矩阵H＝[A B]；

步骤2，相似性矩阵归一化：构造度矩阵D，并利用矩阵D对矩阵H归一化处理，得到矩阵步骤3，Nystrom近似特征向量计算：利用Nystrom近似技术，基于样本相似性矩阵计算Laplacian矩阵的前k个近似正交特征向量，这些向量组成矩阵U⊥，对矩阵U⊥归一化处理，得到矩阵

步骤4，超像素生成：将矩阵 的每一行看作像素点在特征空间中的代表点，使用k‑means算法把这些代表点聚成k类；根据聚类结果分割图像，属于相同类的像素点组成超像素；

步骤5，超像素抠图：根据目标物体的轮廓，选择物体中包含的超像素，并记录它们的标签，用户确认后合并这些超像素，并输出超像素构成的物体图像。

2.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤1中，矩阵A为m×m的对称矩阵，由m个样本点之间的成对相似性构成；矩阵B为m×(n‑m)的矩阵，由m个样本点和n‑m个剩余点之间的成对相似性构成。

3.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤1中，两个像素点xi和xj之间相似性wij由式(3)计算：其中，exp()是以自然常数e为底的指数函数，||·||表示2‑范数，σ为尺度参数。

4.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤2中，所述度矩阵D为n×n的对角矩阵，由式(4)计算：其中，diag()表示由矢量参数构成的对角矩阵，向量a＝A1m，向量b1＝B1n‑m，向量b2＝T

B1m，1m表示m个1组成的列向量。

5.根据权利要求4所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤2中，利用矩阵D对矩阵H归一化处理得到矩阵 的计算公式为：

6.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤3中的矩阵U⊥的计算过程包括：步骤3.1，定义样本子矩阵M：首先根据式(6)分解近似的Laplacian矩阵L：设 表示Laplacian矩阵的近似正交特征向量，即 其中I是单位矩阵，所以得出样本子矩阵M的计算表达式为：步骤3.2，根据式(8)对样本子矩阵M特征分解：其中，UM是M的特征向量组成的矩阵；ΛM是M的特征值组成的对角矩阵，对角线元素按特征值大小降序排列；

步骤3.3，根据式(9)计算Laplacian矩阵的前k个近似正交特征向量，这些向量组成矩阵U⊥：

其中，(UM):,1:k表示矩阵UM的第1至k列构成的子矩阵， 表示矩阵 的第1至k行和第1至k列的交集构成的子矩阵，k≤m。

7.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤3中对矩阵U⊥归一化得到矩阵 的方法为：根据式(10)将U⊥的每个元素uij归一化，得到矩阵其中，i∈{1,...,n}，j∈{1,...,k}。

8.根据权利要求1所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤4中使用k‑means算法将代表点聚成k类的具体过程如下：步骤4.1，聚类中心初始化：在矩阵 包含的n个代表点中，随机选取k个不同的点作为初始聚类中心；

步骤4.2，类标签分配：计算每个点xi与k个聚类中心的距离，将xi与最近的类中心归为一类，xi的类标签labeli可由式(11)计算：其中，mc表示第c类的中心。

步骤4.3，聚类中心更新：将每个类中所有点的均值作为新的类中心，类中心mc的更新表达式为式(12)：

其中，Clusterc表示第c类，|Clusterc|是第c类包含的代表点的数目；

步骤4.4，重复步骤4.2和步骤4.3，直到所有类的中心不再变化。

9.根据权利要求8所述的一种基于Nystrom谱聚类的超像素抠图方法，其特征在于，所述步骤4中组成超像素是指：聚类结果中具有相同类标签的像素点形成的图像块即为超像素。