SLIC算法学习-20170116.doc.docVIP

SLIC超像素分割算法研究可下载）[1]提出和发展起来的图像分割技术，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用[2]，而目前，OpenCV关于超像素生成，没有发现网上有代码，在opencv_contrib目录下面的未稳定功能模块SLIC，SEEDS，LSC相关实现，如果想要使用这个目录的功能，需要自己重新进行OpenCV的编译[8]有关和配置方法可参考8 ,9]。一些常用的超像素分割算法和性能对比如下表3]： 本文介绍SLIC（simple linear iterativeclustering）超像素分割算法算法是执行速度最快的超像素分割方法3]，2015年实现并行执行速度FPS [4,5]。SLIC算法是Achanta[6]提出的一种思想简单、实现方便的算法，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，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程[2]，算法基本思路与Kmeans算法类似实现过程如下6,2]： 1. 初始化种子点（聚类中心）：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。 2. 在种子点的n*n邻域内重新选择种子点（一般取n=3）。具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。 3. 在每个种子点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）。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为S*S，但是搜索的范围是2S*2S。 4.??距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法如下： 其中，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns=S=sqrt(N/K)，适用于每个聚类。最大的颜色距离Nc既随图片不同而不同，也随聚类不同而不同，所以我们取一个固定常数m（取值范围[1,40],一般取10）代替。最终的距离度量D如下： 由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。 5.??迭代优化。理论上上述步骤不断迭代直到误差收敛（可以理解为每个像素点聚类中心不再发生变化为止），实践发现10次迭代对绝大部分图片都可以得到较理想效果，所以一般迭代次数取10。 6.??增强连通性。经过上述迭代优化可能出现以下瑕疵：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决。主要思路是：新建一张标记表，表内元素均为-1，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邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。 算法的C++和matlab版)可到算法发明人Achanta7]下载，我们下载该代码C++ windows版本编写一个简单格式转换SLIC超像素算法openCV一起实现了一个简单的应用实例主程序如下： #include opencv2/opencv.hpp #include SLIC.h using namespace std; using namespace cv; int imgOpenCV2SLIC(Mat img, int height, int width, int dim, unsigned int * image); int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat imgSLIC); int main() { Mat imgRGB; time_t tStart,tEnd,exeT; imgRGB= imread(0_0_77rgb.jpg); if (imgRGB.empty() == true){ coutcan not open rgb image!endl; } unsigned int *image; int height; int width; in