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，是指具有相似紋理、顏色、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。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。已經廣泛用于圖像分割、姿勢估計、目標跟蹤、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），即簡單的線性迭代聚類。它是2010年提出的一種思想簡單、實現方便的算法，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，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。SLIC算法能生成緊湊、近似均勻的超像素，在運算速度，物體輪廓保持、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。

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，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。2）不僅可以分割彩色圖，也可以兼容分割灰度圖。3）需要設置的參數非常少，默認情況下只需要設置一個預分割的超像素的數量。4）相比其他的超像素分割方法，SLIC在運行速度、生成超像素的緊湊度、輪廓保持方面都比較理想。

在介紹SLIC之前，插播一下Lab顏色空間的介紹。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），L的值域由0（黑色）到100（白色）。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）。Lab顏色空間的優(yōu)點：1）不像RGB和CMYK色彩空間，Lab 顏色被設計來接近人類生理視覺。它致力于感知均勻性，它的 L 分量密切匹配人類亮度感知。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，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。2）因為 Lab 描述的是顏色的顯示方式，而不是設備（如顯示器、打印機或數碼相機）生成顏色所需的特定色料的數量，所以 Lab 被視為與設備無關的顏色模型。3）色域寬闊。它不僅包含了RGB，CMYK的所有色域，還能表現它們不能表現的色彩。人的肉眼能感知的色彩，都能通過Lab模型表現出來。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，因為RGB模型在藍色到綠色之間的過渡色彩過多，而在綠色到紅色之間又缺少黃色和其他色彩。如果我們想在數字圖形的處理中保留盡量寬闊的色域和豐富的色彩，最好選擇Lab。

下面描述一下SLIC具體實現的步驟：

1.??初始化種子點（聚類中心）：按照設定的超像素個數，在圖像內均勻的分配種子點。假設圖片總共有 N 個像素點，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 ，則相鄰種子點的距離（步長）近似為S=sqrt(N/K)。

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，將種子點移到該鄰域內梯度最小的地方。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。

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）。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，可以加速算法收斂，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。

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

其中，dc代表顏色距離，ds代表空間距離，Ns是類內最大空間距離，定義為Ns=S=sqrt(N/K)，適用于每個聚類。最大的顏色距離Nc既隨圖片不同而不同，也隨聚類不同而不同，所以我們取一個固定常數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，所以每個像素點都會有一個與周圍種子點的距離，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。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），實踐發(fā)現10次迭代對絕大部分圖片都可以得到較理想效果，所以一般迭代次數取10。

6.??增強連通性。經過上述迭代優(yōu)化可能出現以下瑕疵：出現多連通情況、超像素尺寸過小，單個超像素被切割成多個不連續(xù)超像素等，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，表內元素均為-1，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、尺寸過小超像素重新分配給鄰近的超像素，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。

?

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.

?-------------------------

歡迎志同道合的朋友關注 微信公共號：計算機視覺life，分享【計算機視覺\機器學習\人工智能】領域的信息、技術；分享生活中的感悟。新的一年，一起成長~

總結

以上是生活随笔為你收集整理的SLIC超像素分割详解（一）：简介的全部內容，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。