比較的指標：圖像邊界的粘附性、算法速度、存儲效率、分割性能

超像素算法：將像素組合成感知有意義的原子區域( atomic regions)，其可以用于替換像素網格的剛性結構。它們捕獲圖像冗余，提供計算圖像特征的方便原語( primitive )，并且大大降低了后續圖像處理任務的復雜性。

超像素：能夠提取中層圖像特征，作為圖像分割算法的預處理步驟。

一、基于圖論的方法

Graph-based方法——使用最小生成樹的思想，目的是使同一區域內的元素盡可能相似而不同區域的元素盡可能不相似 [圖像邊界較好且速度快，但超像素大小和形狀都不規則，也就是不能控制超像素的數量和緊湊度]

Ncut方法——利用輪廓特征和紋理特征來全局最小化代價函數 [可控制數量且形狀規整緊湊，但圖邊界效果不好，計算量大，處理大圖片時速度很慢]? //不用

Superpixel lattice無監督的過分割方法——保持圖像拓撲結構信息的貪心算法 [性能嚴重依賴于預先提取的圖像邊界]

基于熵率——包括隨機游走熵率和平衡項的目標函數，通過最大化目標函數以是實現分割 [產生的超像素規則且均勻]

二、基于梯度下降的方法（采用聚類的基本思想

分水嶺Watershed方法——基于拓撲理論的數學形態學分割，速度快但不能控制超像素的個數和緊湊度

MeanShift方法——迭代模態搜索過程，它產生規則形狀的超像素，但速度慢且不能控制超像素的數量、大小、緊湊度 ?//不用

Quick-shift方法

Turbopixels方法——基于幾何流的水平集方法，對初始種子點逐步進行碰撞，最終將超像素近似地平均分布到圖像平面上

SLIC(simple linear iterative clustering)方法——基于顏色和距離相似性進行的超像素分割，它可以產生大小均勻、形狀規則的超像素

總結

以上是生活随笔為你收集整理的超像素分割算法分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。