超像素算法有很多，SLIC是效果比較好的一種，今天介紹SLIC算法。
SLIC算法與K-means有些類似。
主要步驟
- 將圖像轉(zhuǎn)換為CIE Lab顏色空間
- 初始化
k個種子點（聚類中心），在圖像上平均撒落k個點，k個點均勻的占滿整幅圖像。 - 對種子點在內(nèi)的
n*n（一般為3*3）區(qū)域計算每個像素點梯度值，選擇值最?。ㄗ钇交┑狞c作為新的種子點，這一步主要是為了防止種子點落在了輪廓邊界上。 - 對種子點周圍
2S*2S的方形區(qū)域內(nèi)的所有像素點計算距離度量（計算方法在后文），對于K-means算法是計算整張圖的所有像素點，而SLIC得計算范圍是2S*2S，所以SLIC算法收斂速度很快！
其中S = sqrt(N/k)，N是圖像像素個數(shù)。
- 因為圖像上的每個像素點都可能被幾個種子點計算距離度量，選擇其中最小的距離度量對應(yīng)的種子點作為其聚類中心。
距離度量
前文說了圖像是要轉(zhuǎn)換為Lab顏色空間的，現(xiàn)在提取此三個顏色通道l、a、b，計算：
可以看到，距離度量有兩部分，
dc表示顏色度量，ds表示距離度量，另外Ns = S = sqrt(N/k)，Nc用常數(shù)m代替，m在算法中可以調(diào)整，所以有：
我們來分析一下這個變量
m：
- 當
m值比較大時，空間度量在距離測量過程中所占比重就比較大，那么生成的超像素比較緊湊。 - 當
m值比較小時，顏色度量所占的比重就比較大，那么生成的超像素在邊緣部分較為緊湊，但形狀和大小不規(guī)則。
此外，灰度圖像和三維圖像的計算公式是：
所以，在SLIC算法中，有兩個變量種子個數(shù)k和m，上張圖看一下不同的k和m的分割效果。
