簡介：最近項目使用到了超像素分割，因此順道研究了以下SLIC這一算法。超像素分割這類low-level vision問題已經在CVPR，ICCV這種頂級會議上逐漸銷聲匿跡，越來越流行的learning method漸漸占據了這些頂級會議90%的篇幅。本文講解的SLIC是2010年提出的一種十分簡單的超分辨分割算法，原理簡單、便于實現。

一.SLIC(simple linear iterative clustering）原理分析

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)。

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，以免影響后續聚類效果。

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2S2S，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SS，但是搜索的范圍是2S*2S。

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。

迭代優化。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生變化為止），實踐發現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。

增強連通性。經過上述迭代優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。

二.偽算法描述

/? Initialization ?/ Initialize cluster centers Ck = [lk , ak , bk , xk , yk ]T by sampling pixels at regular grid steps S. Move cluster centers to the lowest gradient position in a 3 × 3 neighborhood. Set label l(i) = ?1 for each pixel i. Set distance d(i) = ∞ for each pixel i.repeat /? Assignment ?/ for each cluster center Ck dofor each pixel i in a 2S × 2S region around Ck do Compute the distance D between Ck and i.if D < d(i) thenset d(i) = Dset l(i) = k end ifend for end for/? Update ?/ Compute new cluster centers. Compute residual error E. until E ≤ threshold

三.參考博文

1.https://github.com/laixintao/slic-python-implementation
2.https://blog.csdn.net/zhj_matlab/article/details/52986700
3.https://blog.csdn.net/electech6/article/details/45509779

總結

以上是生活随笔為你收集整理的超像素分割算法研究：SLIC分割算法原理讲解的全部內容，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。