SLIC超像素分割詳解（一）

超像素概念是2003年Xiaofeng Ren提出和發(fā)展起來的圖像分割技術碱工，是指具有相似紋理浆竭、顏色击孩、亮度等特征的相鄰像素構成的有一定視覺意義的不規(guī)則像素塊沟启。它利用像素之間特征的相似性將像素分組,用少量的超像素代替大量的像素來表達圖片特征,很大程度上降低了圖像后處理的復雜度，所以通常作為分割算法的預處理步驟庵芭。已經(jīng)廣泛用于圖像分割、姿勢估計雀监、目標跟蹤双吆、目標識別等計算機視覺應用。幾種常見的超像素分割方法及其效果對比如下：

? ?Graph-based ? ? ? ? ? NCut ? ? ? ? ? ?Turbopixel ? ? ? ? ?Quick-shift ? ? ? ?Graph-cut a ? ? ? ?Graph-cut b ? ? ? ? SLIC

這里主要介紹的是SLIC（simple linear iterativeclustering）会前，即簡單的線性迭代聚類好乐。它是2010年提出的一種思想簡單、實現(xiàn)方便的算法瓦宜，將彩色圖像轉化為CIELAB顏色空間和XY坐標下的5維特征向量蔚万，然后對5維特征向量構造距離度量標準，對圖像像素進行局部聚類的過程临庇。SLIC算法能生成緊湊反璃、近似均勻的超像素，在運算速度假夺，物體輪廓保持淮蜈、超像素形狀方面具有較高的綜合評價，比較符合人們期望的分割效果已卷。

SLIC主要優(yōu)點總結如下：1）生成的超像素如同細胞一般緊湊整齊梧田，鄰域特征比較容易表達。這樣基于像素的方法可以比較容易的改造為基于超像素的方法悼尾。2）不僅可以分割彩色圖柿扣，也可以兼容分割灰度圖。3）需要設置的參數(shù)非常少闺魏，默認情況下只需要設置一個預分割的超像素的數(shù)量未状。4）相比其他的超像素分割方法，SLIC在運行速度析桥、生成超像素的緊湊度司草、輪廓保持方面都比較理想。

在介紹SLIC之前泡仗，插播一下Lab顏色空間的介紹埋虹。Lab色彩模型是由亮度（L）和有關色彩的a, b三個要素組成。L表示亮度（Luminosity）娩怎，L的值域由0（黑色）到100（白色）搔课。a表示從洋紅色至綠色的范圍（a為負值指示綠色而正值指示品紅），b表示從黃色至藍色的范圍（b為負值指示藍色而正值指示黃色）截亦。Lab顏色空間的優(yōu)點：1）不像RGB和CMYK色彩空間爬泥，Lab 顏色被設計來接近人類生理視覺柬讨。它致力于感知均勻性，它的 L 分量密切匹配人類亮度感知袍啡。因此可以被用來通過修改 a 和 b 分量的輸出色階來做精確的顏色平衡踩官，或使用 L 分量來調整亮度對比。這些變換在 RGB 或 CMYK 中是困難或不可能的境输。2）因為 Lab 描述的是顏色的顯示方式蔗牡，而不是設備（如顯示器、打印機或數(shù)碼相機）生成顏色所需的特定色料的數(shù)量嗅剖，所以 Lab 被視為與設備無關的顏色模型辩越。3）色域寬闊。它不僅包含了RGB窗悯，CMYK的所有色域区匣，還能表現(xiàn)它們不能表現(xiàn)的色彩。人的肉眼能感知的色彩蒋院，都能通過Lab模型表現(xiàn)出來亏钩。另外，Lab色彩模型的絕妙之處還在于它彌補了RGB色彩模型色彩分布不均的不足欺旧，因為RGB模型在藍色到綠色之間的過渡色彩過多姑丑，而在綠色到紅色之間又缺少黃色和其他色彩。如果我們想在數(shù)字圖形的處理中保留盡量寬闊的色域和豐富的色彩辞友，最好選擇Lab栅哀。

下面描述一下SLIC具體實現(xiàn)的步驟：

1.??初始化種子點（聚類中心）：按照設定的超像素個數(shù)，在圖像內均勻的分配種子點称龙。假設圖片總共有 N 個像素點留拾，預分割為 K 個相同尺寸的超像素，那么每個超像素的大小為N/ K 鲫尊，則相鄰種子點的距離（步長）近似為S=sqrt(N/K)痴柔。

2.??在種子點的n*n鄰域內重新選擇種子點（一般取n=3）。具體方法為：計算該鄰域內所有像素點的梯度值疫向，將種子點移到該鄰域內梯度最小的地方咳蔚。這樣做的目的是為了避免種子點落在梯度較大的輪廓邊界上，以免影響后續(xù)聚類效果搔驼。

3.??在每個種子點周圍的鄰域內為每個像素點分配類標簽（即屬于哪個聚類中心）谈火。和標準的k-means在整張圖中搜索不同，SLIC的搜索范圍限制為2S*2S舌涨，可以加速算法收斂糯耍，如下圖。在此注意一點：期望的超像素尺寸為S*S，但是搜索的范圍是2S*2S谍肤。

4.??距離度量啦租。包括顏色距離和空間距離。對于每個搜索到的像素點荒揣，分別計算它和該種子點的距離。距離計算方法如下：

其中焊刹，dc代表顏色距離系任，ds代表空間距離，Ns是類內最大空間距離虐块，定義為Ns=S=sqrt(N/K)俩滥，適用于每個聚類。最大的顏色距離Nc既隨圖片不同而不同贺奠，也隨聚類不同而不同霜旧，所以我們取一個固定常數(shù)m（取值范圍[1,40],一般取10）代替。最終的距離度量D'如下：

由于每個像素點都會被多個種子點搜索到儡率，所以每個像素點都會有一個與周圍種子點的距離挂据，取最小值對應的種子點作為該像素點的聚類中心。

5.??迭代優(yōu)化儿普。理論上上述步驟不斷迭代直到誤差收斂（可以理解為每個像素點聚類中心不再發(fā)生變化為止）崎逃，實踐發(fā)現(xiàn)10次迭代對絕大部分圖片都可以得到較理想效果，所以一般迭代次數(shù)取10眉孩。

6.??增強連通性个绍。經(jīng)過上述迭代優(yōu)化可能出現(xiàn)以下瑕疵：出現(xiàn)多連通情況、超像素尺寸過小浪汪，單個超像素被切割成多個不連續(xù)超像素等巴柿，這些情況可以通過增強連通性解決。主要思路是：新建一張標記表死遭，表內元素均為-1广恢，按照“Z”型走向（從左到右，從上到下順序）將不連續(xù)的超像素殃姓、尺寸過小超像素重新分配給鄰近的超像素袁波，遍歷過的像素點分配給相應的標簽，直到所有點遍歷完畢為止蜗侈。

參考文獻：

[1] ?Achanta,Radhakrishna, et al. Slic superpixels. No. EPFL REPORT 149300. 2010.

[2] Achanta,Radhakrishna, et al. "SLIC superpixels compared to state-of-the-artsuperpixel methods." Pattern Analysis and Machine Intelligence, IEEETransactions on 34.11 (2012): 2274-2282.

原文：https://blog.csdn.net/electech6/article/details/45509779