比較的指標(biāo)：圖像邊界的粘附性、算法速度、存儲(chǔ)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(qū)域( atomic regions)，其可以用于替換像素網(wǎng)格的剛性結(jié)構(gòu)。它們捕獲圖像冗余，提供計(jì)算圖像特征的方便原語(yǔ)( primitive )，并且大大降低了后續(xù)圖像處理任務(wù)的復(fù)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(yù)處理步驟。

一、基于圖論的方法

Graph-based方法——使用最小生成樹(shù)的思想，目的是使同一區(qū)域內(nèi)的元素盡可能相似而不同區(qū)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(guī)則，也就是不能控制超像素的數(shù)量和緊湊度]

Ncut方法——利用輪廓特征和紋理特征來(lái)全局最小化代價(jià)函數(shù) [可控制數(shù)量且形狀規(guī)整緊湊，但圖邊界效果不好，計(jì)算量大，處理大圖片時(shí)速度很慢]? //不用

Superpixel lattice無(wú)監(jiān)督的過(guò)分割方法——保持圖像拓?fù)浣Y(jié)構(gòu)信息的貪心算法 [性能?chē)?yán)重依賴(lài)于預(yù)先提取的圖像邊界]

基于熵率——包括隨機(jī)游走熵率和平衡項(xiàng)的目標(biāo)函數(shù)，通過(guò)最大化目標(biāo)函數(shù)以是實(shí)現(xiàn)分割 [產(chǎn)生的超像素規(guī)則且均勻]

二、基于梯度下降的方法（采用聚類(lèi)的基本思想

分水嶺Watershed方法——基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)分割，速度快但不能控制超像素的個(gè)數(shù)和緊湊度

MeanShift方法——迭代模態(tài)搜索過(guò)程，它產(chǎn)生規(guī)則形狀的超像素，但速度慢且不能控制超像素的數(shù)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(duì)初始種子點(diǎn)逐步進(jìn)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(jìn)行的超像素分割，它可以產(chǎn)生大小均勻、形狀規(guī)則的超像素

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。