SLIC算法..docx

SLIC算法是simple linear iterative cluster的简称，该算法用来生成超像素（superpixel）。SLIC的思想是将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量（Lab模式也是由三个通道组成，第一个通道是明度，即“L”。a通道的颜色是从红色到深绿；b通道则是从蓝色到黄色。），然后对5维特征向量构造度量标准，对图像像素进行局部聚类的过程。该算法速度较快，能生成紧凑、近似均匀的超像素。1 、SLIC超像素分割的步骤[java] view plain copyfunction [sp_img,disp_img] = DemoSLICSuperpixel (img,K,M) % img: original rgb image % K: number of superpixel 超像素的个数 % M: compactness of superpixel 紧凑性 tic; [X,Y,L,A,B,Lab_img,STEP] = GetLABXYSeeds(img,K); %初始化种子点并提取种子的XYLab特征 EdgeMap = DetectLabEdges(Lab_img); %为了避免边缘位置的干扰，还要考虑边缘剩余 [X,Y,L,A,B] = PeturbSeeds (EdgeMap,Lab_img,X,Y,L,A,B); %产生新的XYLab种子 labels = PerformSLICSuperpixel(X,Y,L,A,B,Lab_img,STEP,M); %span style=font-family: Arial, Helvetica, sans-serif;根据元素与种子点的相似度关系进行聚类，并添加标签/span sp_img = EnforceLabelConnectivity(labels,K); %合并较小的聚类 disp_img = DrawContour(img,sp_img); %超像素边界 2 、初始化种子点并提取XYLab特征输入m*n的图像，将图像分成k个超像素。则：每个超像素的大小为 ： size = m*n/k size：面积 超像素大小一样？两个种子点的距离为： step = sqrt（size）每个超像素在x方向上的像素个数为 m/setp每个超像素在x方向上的像素个数为 n/setp为了避免边缘位置的干扰，还要考虑边缘剩余3、 产生新的XYLab种子为了避免种子点处理图像的边缘位置，对以后的聚类工程造成干扰，需要将种子点以它为中心的3*3的窗口内移动到梯度最小的位置，产生新的种子点 计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，4 、根据像素之间的相似度进行聚类对每个像素点，分别计算与之距离最近的种子点之间的相似程度，将最相似种子点的标签赋给该像素。通过不断迭代该过程，直到收敛(在程序中迭代了十次 )相似度的衡量关系如下？程序中，其其中，第一项为像素点间的颜色差异，第二项为像素点间的空间距离，第三项为两个像素的想速度。S为种子点的距离，m为平衡参数，用来衡量颜色值和空间信息在相似度衡量中的比重1.0/(double(STEP)/M)^2;以下内容是上面的C详细版，大概看划线的就行基本思想算法大致思想是这样的，将图像从RGB颜色空间转换到CIE-Lab颜色空间，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[L,a,b,x,y],两个像素的相似性即可由它们的向量距离来度量，距离越大，相似性越小。算法首先生成K个种子点，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，将他们归为与该种子点一类，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，重新得到K个聚类中心，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，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛。怎么样，是不是感觉很像K-means聚类算法。该算法接受一个参数K，用于指定生成的超像素数目。设原图有N个像素，则分割后每块超像素大致有N/K个像素，每块超像素的边长大致为S=[N/K]^0.5，开始我们每隔S个像素取一个聚类中心，然后以这个聚类中心的周围2S*2S为其搜索空间，与其最为相似的若干点即在此空间中搜寻。算法可能遇到的问题及解决办法：1、为了避免所选的聚类中心是边缘和噪声这样的不合理点，算法做了改进， 在3*3的窗口中将聚类中心移动到梯度最小的区域,梯度定义为 G(x,y)=[V(x+1,y)