SLIC算法

在介绍SLIC之前&＃xff0c;先来介绍以下Lab颜色空间的介绍。

Lab色彩模型是由亮度(L)要素和与有关色彩的a,b要素组成&＃xff0c;L的值由0(黑色)到100(白色)&＃xff0c;a表示从洋红色至绿色的范围(a为负值表示绿色而正值表示品红)&＃xff0c;b表示从黄色至蓝色的范围(b为负值表示蓝色而正值表示黄色)。

Lab颜色空间的优点&＃xff1a;
1&＃xff09;不像RGB和CMYK色彩空间&＃xff0c;Lab颜色被设计来接近人类生理视觉。它致力于感知均匀性&＃xff0c;它的L分量密切匹配人类亮度感知。因此可以被用来通过修改a和b分量的输出色阶来做精确的颜色平衡&＃xff0c;或使用L分量来调整亮度对比。这些变换在RGB或CMYK种是困难的或不可能的。
2&＃xff09;色域宽广。它不仅包含了RGB、CMYK的所有色域&＃xff0c;还能表现他们不能表现得色彩。人的肉眼能感知的色彩&＃xff0c;都能通过Lab模型表现出来。另外&＃xff0c;Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足&＃xff0c;因为RGB模型在蓝色到绿色之间的过渡色彩过多&＃xff0c;而在绿色到红色之间又缺少黄色和其他色彩。
3&＃xff09;Lab空间内的很多“颜色”超出了人类视觉的视域&＃xff0c;因此纯粹是假想的&＃xff1b;这些“颜色”不能在物理世界中再生。通过颜色管理软件&＃xff0c;比如内置于图象编辑应用程序中的那些软件&＃xff0c;可以选择最接近的色域内近似&＃xff0c;在处理中变换亮度、彩度甚至色相。Dan Margulis称&＃xff0c;在图象操作的多个步骤之间使用假想色是很有用的。

SLIC算法时simple linear iterative cluster的简称&＃xff0c;主要是将图像从RGB颜色空间转换到CIE-Lab颜色空间&＃xff0c;对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[I,a,b,x,y]&＃xff0c;两个像素的相似性即可由他们的向量距离来度量&＃xff0c;距离越大&＃xff0c;相似性越小。

该算法与K-means聚类算法思路类似&＃xff0c;首先生成K个种子点&＃xff0c;然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素&＃xff0c;将他们归为与该种子点一类&＃xff0c;直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值&＃xff0c;重新得到K个聚类中心&＃xff0c;然后再以这K个中心去搜索其周围与其最为相似的若干像素&＃xff0c;所有像素都归类完重新得到K个超像素&＃xff0c;更新聚类中心&＃xff0c;在此迭代&＃xff0c;如此反复直到收敛。

1.初始化聚类中心&＃xff1a;按照预先设定的超像素个数&＃xff0c;在图像内均匀的分配聚类中心。如果图像有N个像素点&＃xff0c;预分割为K个相同尺寸的超像素&＃xff0c;那么每个超像素的大小为N/K&＃xff0c;则相邻聚类中心的距离&＃xff08;步长&＃xff09;近似为 S &＃61; sqrt(N/K)&＃xff1b;
2.在聚类中心的n×n邻域内重新选择聚类中心(一般n取3)。具体方法为&＃xff1a;计算该邻域内所有像素点的梯度值&＃xff0c;将聚类中心移动到该邻域内梯度最小的地方。这样做的目的是为了避免中心点落在梯度较大1的轮廓边界上&＃xff0c;以免影响后续聚类效果&＃xff1b;
3.在每个聚类中心周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。&＃xff08;期望的超像素尺寸为S×S,但其搜索范围为2S×2S)&＃xff1b;
4.计算搜索点到聚类中心的距离度量&＃xff08;包括颜色距离和空间距离&＃xff09;&＃xff1b;

其中&＃xff0c;d$c$代表颜色距离&＃xff0c;d$s$代表空间距离&＃xff0c;N$s$是类内最大空间距离&＃xff0c;定义N$s$&＃61;sqrt(N/K),适用于每个聚类&＃xff0c;最大颜色距离N$c$随图片不同而不同&＃xff0c;也随聚类不同而不同&＃xff0c;所以一般取一个固定常数(取值范围[1-40]&＃xff0c;一般取10)代替。最终的距离测度D‘如下&＃xff1a;

由于每个像素点都会被多个种子点搜索到&＃xff0c;所以每个像素点都会有一个与周围种子点的距离&＃xff0c;取最小值对应的种子点作为该像素点的聚类中心。
5.直到每个像素点聚类中心不再发生变化停止迭代(实践发现10次迭代绝大部分图片都可以得到较理想效果)&＃xff1b;
6.增强连通性&＃xff1a;经过上述迭代优化可能会出现出现多连通、超像素尺寸过小&＃xff0c;单个超像素被切割为多个不连续超像素等等问题&＃xff0c;而这些情况可以通过增强连通性来解决。主要思路在于:新建一张标记表&＃xff0c;表内元素均为-1&＃xff0c;按照“Z”型走向(从左到右、从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给临近的超像素&＃xff0c;遍历果的像素点分配给相应的标签&＃xff0c;直到所有点遍历完毕为止。

1&＃xff09;生成的超像素如同细胞一般紧凑整齐&＃xff0c;邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。
2&＃xff09;不仅可以分割彩色图&＃xff0c;也可以兼容分割灰度图。
3&＃xff09;需要设置的参数非常少&＃xff0c;默认情况下只需要设置一个预分割的超像素的数量。
4&＃xff09;相比其他的超像素分割方法&＃xff0c;SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

以下是论文中的效果图

自己实现的效果图&＃xff1a;