SCALP：具有轮廓依附性的超像素使用线性路径.pdfVIP

SCALP：具有轮廓依附性的超像素

使用线性路径

1,2,31,23

RémiGiraud,Vinh-ThongTaandNicolasPapadakis

1Univ.Bordeaux,CNRS,LaBRI,UMR5800,PICTURA,F-33400,Talence,France

2BordeauxINP,LaBRI,UMR5800,F-33400,Talence,France

3Univ.Bordeaux,CNRS,IMB,UMR5251,F-33400,Talence,France

Email:(remi.giraud,vinh-thong.ta)@labri.fr,nicolas.papadakis@math.u-bordeaux.fr

摘要—超像素分解方法通常用作预处理步骤，以加快图像处算时间，遵循图像边界，以及超像素分解的大小和形状规

理任务的速度。它们将图像的像素分组成同质区域，同时尽量尊则性。

重现有的轮廓。对于所有最先进的超像素分解方法，在计算时间、一方面，通过不规则方法（例如,[6]）可以实现精确的

对图像轮廓的依从性以及分解的规则性和紧凑性之间都会做出

轮廓贴合，这些方法基于颜色相似性允许非常拉伸的超像

权衡。在本文中，我们提出了一种快速的方法来使用线性路径

本（SCALP）计算具有轮廓依从性的超像素，并在一个迭代聚类素分解。另一方面，对于基于超像素的对象识别方法来说，

译框架中实现。在尝试将一个像素与超像素关联时进行的聚类过程使用规则分解[4],[5]显得至关重要。此外，在面对超像素

中，通过考虑通往超像素质心的线性路径来增强所计算的距离。视频跟踪[7]时，快速且规则的方法适合考虑分解的时间一

中提出的框架生成规则且紧凑并依从图像轮廓的超像素。我们提供

致性。因此，规则性对于准确分析场景中对象轨迹至关重

2了在标准伯克利分割数据集上对SCALP的详细评估。获得的

要。在图1中，我们展示了从不规则方法SEEDS[6]和我们

v结果在标准的超像素和轮廓检测指标方面超过了最先进的方法。

9的规则方法SCALP重建图像的示例。该图像是通过每个

4

1超像素上的平均颜色计算得出的。由于超像素边界的规则

7I.介绍性和准确性，SCALP提供了更令人满意的视觉结果。

0

.

3图像分割是分析图像内容的重要工具。目标是根据某

0些先验条件（{例如,对象,颜色或纹理）将图像划分为相似

9

1的区域。为了减少计算时间并提高无监督分割的准确性，

:

v提出了超像素分解方法。这些方法尝试在尊重图像轮廓的

i

x同时将像素分组成同质区域。与多分辨率方法相反，超像

r

a素极大地减少了图像内容的维度同时保留了几何信息。例

如，在低分辨率下消失的小对象仍可以包含在单个超像素

中。因此，超像素自然成为了许多计算机视觉工作的关键

构建模块，如：轮廓检测[1],人脸标注[2],目标定位[3],或InitialimageSEEDS[6]SCALP

多类对象分割[4],[5]。图1.从平均颜色重建带有200个超像素的示例图像来自伯克利分割数

据集[8]

超像素方法可以分为两类，一类提供不规则分解，另

一类提供规则分解。在不规则方法中，