2003 年,任曉峰教授在圖像分割技術層面上提出了超像素分割的這一概念，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。已經證明在深度估算（depth estimation），圖像分割（image segmentation），骨架提取（skeletonization），人體模型估計（body modelestimation），目標定位（object localization）等等領域十分有效。常見的超像素分割方法包括： Graph-based、NCut、Turbopixel、Quick-shift、 Graph-cut a、Graph-cut b以及SLIC。

其中SLIC（simple linear iterativeclustering，簡單線性迭代聚類）算法是2012年提出，是業內使用最多的一種超像素圖像分割算法，下面是它的偽代碼：

開源代碼有c++/python版本，也有matlab接口，還有gpu加速版本

算法基于是k-means思路，將圖像從RGB顏色空間轉換到CIE-Lab顏色空間，對應每個像素的（L，a，b）顏色值和（x，y）坐標組成一個5維向量V[L,a,b,x,y], 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。兩個像素的相似性即可由它們的向量距離來度量，距離越大，相似性越小。

算法首先生成K個種子點，然后在每個種子點的周圍空間里搜索距離該種子點最近的若干像素，將他們歸為與該種子點一類，直到所有像素點都歸類完畢。然后計算這K個超像素里所有像素點的平均向量值，重新得到K個聚類中心，然后再以這K個中心去搜索其周圍與其最為相似的若干像素，所有像素都歸類完后重新得到K個超像素，更新聚類中心，再次迭代，如此反復直到收斂。怎么樣，是不是感覺很像K-means聚類算法。 該算法接受一個參數K，用于指定生成的超像素數目。設原圖有N個像素，則分割后每塊超像素大致有N/K個像素，每塊超像素的邊長大致為S=[N/K]^0.5，開始我們每隔S個像素取一個聚類中心，然后以這個聚類中心的周圍2S*2S為其搜索空間，與其最為相似的若干點即在此空間中搜尋。這里有一個問題，為了避免所選的聚類中心是邊緣和噪聲這樣的不合理點，算法做了改進， 在3*3的窗口中將聚類中心移動到梯度最小的區域,梯度定義為：

G(x，y)=[V(x+1,y)-V(x-1,y)]^2+[V(x,y+1)-V(x,y-1)]^2

這樣就可以避免上面所說的情況。 因為L，a，b在CIE-Lab顏色空間，L,a,b的大小有限制，而圖像尺寸則沒有限制，如果圖片的尺寸比較大，會造成衡量向量距離時空間距離（x，y）的影響過大，所以需要調制空間距離（x，y）的影響，所以需要對x，y進行normalize。改進向量距離的度量如下：

d_lab=[(Lk-Li)^2+(ak-ai)^2+(bk-bi)^2]^0.5
d_xy=[(Xi-Xk)^2+(Yk-Yi)^2]^0.5
Ds=d_lab+(m/S)*d_xy

m用來調整d_xy的權值，一般為1-20，在算法中設置為10。 最后可能出現一些小的區域d被標記為歸屬某一塊超像素但卻與這塊超像素沒有連接，這就需要把這塊小區域d重新歸類為與這塊小區域d連接的最大的超像素中去，以保證每塊超像素的完整。 SLIC優點如下：

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。

不僅可以分割彩色圖，也可以兼容分割灰度圖。

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。

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。

與超像素slic算法類似的解決方案：

• graphsegment（gs04）圖分割：
  • 論文:《Efficient Graph-Based Image Segmentation》
  • 作者：P. Felzenszwalb, D. Huttenlocher
  • 發布：International Journal of Computer Vision, Vol. 59, No. 2, September 2004
  • 介紹：Graph-Based Segmentation是經典的圖像分割算法，其作者Felzenszwalb也是提出DPM（Deformable Parts Model）算法的大牛。Graph-Based Segmentation算法是基于圖的貪心聚類算法，實現簡單，速度比較快，精度也還行。不過，目前直接用它做分割的應該比較少，很多算法用它作墊腳石，比如Object Propose的開山之作《Segmentation as Selective Search for Object Recognition》就用它來產生過分割（over segmentation）。
  • 評價：圖分割從原理，從規整性，從結果來看都不能算作超元素。
• Ncut（nc05）
  • 論文：Spectral segmentation with multiscale graph decomposition * 作者：T. Cour, F. Benezit, and J. Shi..
  • 發布：IEEE Computer Vision and Pattern Recognition (CVPR) 2005, 2005.
• Turbopixel（tp09）
  • 論文：《Turbopixels: Fast superpixels using geometric ?ows》
  • 作者：A.Levinshtein, A.Stere, K.Kutulakos, D.Fleet, S.Dickinson, and K.Siddiqi.
  • 發布：IEEETransactions on Pattern Analysis and Machine Intelligence (PAMI),2009.
• Quickshift（qs09）
  • 論文：Quick shift and kernel methods for mode seeking
  • 作者：A. Vedaldi and S. Soatto.
  • 發布：European Conference on Computer Vision (ECCV), 2008.
  • 介紹：Quickshift算法是一種類似于mean shift算法的快速模式搜索算法，通過將初始數據向量移動到具有更高能級的最近領域模態實現模式搜索。

請看前文：

飄哥：學習圖像場景解析的理論和應用（二）場景解析的經典算法分析之gPb-OWT-UCM?zhuanlan.zhihu.com飄哥：學習圖像場景解析的理論和應用（一）場景解析研究方向的分類?zhuanlan.zhihu.com

總結

以上是生活随笔為你收集整理的felzenszwalb算法_学习图像场景解析的理论和应用（二）场景解析的经典算法分析之SLIC...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。