SILC算法詳解

一、原理介紹

SLIC算法是simple linear iterative cluster的簡稱，該算法用來生成超像素(superpixel)

算法步驟：

已知一副圖像大小M*N,可以從RGB空間轉換為LAB空間，LAB顏色空間表現的顏色更全面

假如預定義參數K，K為預生成的超像素數量，即預計將M*N大小的圖像(像素數目即為M*N)分隔為K個超像素塊，每個超像素塊范圍大小包含[(M*N)/K]個像素

假設每個超像素區域長和寬都均勻分布的話，那么每個超像素塊的長和寬均可定義為S，S=sqrt(M*N/K)

遍歷操作，將每個像素塊的中心點的坐標(x,y)及其lab的值保存起來，加入到事先定義好的集合中

每個像素塊的中心點默認是(S/2,S/2)進行獲取的，有可能落在噪音點或者像素邊緣(所謂像素邊緣，即指像素突變處，比如從黑色過渡到白色的交界處)，這里，利用差分方式進行梯度計算，調整中心點：

算法中，使用中心點的8領域像素點，計算獲得最小梯度值的像素點，并將其作為新的中心點，差分計算梯度的公式：

Gradient(x,y)=dx(i,j) + dy(i,j);

dx(i,j) = I(i+1,j) - I(i,j);

dy(i,j) = I(i,j+1) - I(i,j);

遍歷現中心點的8領域像素點，將其中計算得到最小Gradient值的像素點作為新的中心點

調整完中心點后即需要進行像素點的聚類操作

通過聚類的方式迭代計算新的聚類中心；

首先，需要借助K-means聚類算法，將像素點進行歸類，通過變換的歐氏聚距離公式進行，公式如下(同時參考像素值和坐標值提取相似度)：

通過兩個參數m和S來協調兩種距離的比例分配。參數S即是上面第③步計算得出的每個像素塊的長度值，而參數M為LAB空間的距離可能最大值，其可取的范圍建議為[1,40]

為了節省時間，只遍歷每個超像素塊中心點周邊的2S*2S區域內的像素點，計算該區域內每個像素點距離哪一個超像素塊的中心點最近，并將其劃分到其中；完成一次迭代后，重新計算每個超像素塊的中心點坐標，并重新進行迭代(注：衡量效率和效果后一般選擇迭代10次)

二、代碼實現

1 importmath2 from skimage importio, color3 importnumpy as np4

5 classCluster(object):6

7 cluster_index = 1

8

9 def __init__(self, row, col, l=0, a=0, b=0):10 self.update(row, col, l, a, b)11 self.pixels =[]12 self.no =self.cluster_index13 Cluster.cluster_index += 1

14

15 defupdate(self, row, col, l, a, b):16 self.row =row17 self.col =col18 self.l =l19 self.a =a20 self.b =b21

22

23 classSLICProcessor(object):24 @staticmethod25 defopen_image(path):26 rgb =io.imread(path)27 lab_arr =color.rgb2lab(rgb)28 returnlab_arr29

30 @staticmethod31 defsave_lab_image(path, lab_arr):32 rgb_arr =color.lab2rgb(lab_arr)33 io.imsave(path, rgb_arr)34

35 defmake_cluster(self, row, col):36 row=int(row)37 col=int(col)38 returnCluster(row, col,39 self.data[row][col][0],40 self.data[row][col][1],41 self.data[row][col][2])42

43 def __init__(self, filename, K, M):44 self.K =K45 self.M =M46

47 self.data =self.open_image(filename)48 self.rows =self.data.shape[0]49 self.cols = self.data.shape[1]50 self.N = self.rows *self.cols51 self.S = int(math.sqrt(self.N /self.K))52

53 self.clusters =[]54 self.label ={}55 self.dis =np.full((self.rows, self.cols), np.inf)56

57 definit_clusters(self):58 row = self.S / 2

59 col = self.S / 2

60 while row <61 while col self.clusters.append>

65 row +=self.S66

67 defget_gradient(self, row, col):68 if col + 1 >=self.cols:69 col = self.cols - 2

70 if row + 1 >=self.rows:71 row = self.rows - 2

72

73 gradient = (self.data[row + 1][col][0] +self.data[row][col+1][0]-2*self.data[row][col][0])+\74 (self.data[row + 1][col][1] +self.data[row][col+1][1]-2*self.data[row][col][1]) +\75 (self.data[row + 1][col][2] +self.data[row][col+1][2]-2*self.data[row][col][2])76

77 returngradient78

79 defmove_clusters(self):80 for cluster inself.clusters:81 cluster_gradient =self.get_gradient(cluster.row, cluster.col)82 for dh in range(-1, 2):83 for dw in range(-1, 2):84 _row = cluster.row +dh85 _col = cluster.col +dw86 new_gradient =self.get_gradient(_row, _col)87 if new_gradient <88 cluster.update _col self.data cluster_gradient="new_gradient90</p">

91 defassignment(self):92 for cluster inself.clusters:93 for h in range(cluster.row - 2 * self.S, cluster.row + 2 *self.S):94 if h < 0 or h >= self.rows: continue

95 for w in range(cluster.col - 2 * self.S, cluster.col + 2 *self.S):96 if w < 0 or w >= self.cols: continue

97 L, A, B =self.data[h][w]98 Dc =math.sqrt(99 math.pow(L - cluster.l, 2) +

100 math.pow(A - cluster.a, 2) +

101 math.pow(B - cluster.b, 2))102 Ds =math.sqrt(103 math.pow(h - cluster.row, 2) +

104 math.pow(w - cluster.col, 2))105 D = math.sqrt(math.pow(Dc / self.M, 2) + math.pow(Ds / self.S, 2))106 if D

116 defupdate_cluster(self):117 for cluster inself.clusters:118 sum_h = sum_w = number =0119 for p incluster.pixels:120 sum_h +=p[0]121 sum_w += p[1]122 number += 1

123 _h =int( sum_h /number)124 _w =int( sum_w /number)125 cluster.update(_h, _w, self.data[_h][_w][0], self.data[_h][_w][1], self.data[_h][_w][2])126

127 defsave_current_image(self, name):128 image_arr =np.copy(self.data)129 for cluster inself.clusters:130 for p incluster.pixels:131 image_arr[p[0]][p[1]][0] =cluster.l132 image_arr[p[0]][p[1]][1] =cluster.a133 image_arr[p[0]][p[1]][2] =cluster.b134 image_arr[cluster.row][cluster.col][0] =0135 image_arr[cluster.row][cluster.col][1] =0136 image_arr[cluster.row][cluster.col][2] =0137 self.save_lab_image(name, image_arr)138

139 defiterates(self):140 self.init_clusters()141 self.move_clusters()142 #考慮到效率和效果，折中選擇迭代10次

143 for i in range(10):144 self.assignment()145 self.update_cluster()146 self.save_current_image("output.jpg")147

148

149 if __name__ == '__main__':150 p = SLICProcessor('beauty.jpg', 200, 40)151 p.iterates()

三、運行效果截圖

(原圖)

(效果圖)

代碼參考了https://github.com/laixintao/slic-python-implementation，且做了改進

作為一枚技術小白，寫這篇筆記的時候參考了很多博客論文，在這里表示感謝，轉載請注明出處......

88>61>

總結

以上是生活随笔為你收集整理的图像分割python代码_SILC超像素分割算法详解(附Python代码)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。