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(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(yè)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(qū)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(qū)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(qū)域d重新歸類為與這塊小區(qū)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(yōu)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(fā)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(guī)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(fā)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(fā)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(fā)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(tài)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。