SLIC Superpixels 算法代码学习笔记

1.主程序入口

• 下面的程序就是超像素生成的函数入口：

slic.DoSuperpixelSegmentation_ForGivenNumberOfSuperpixels(img, width, height, labels, numlabels, m_spcount, m_compactness);

这里有几个特别的参数需要说明：

1. slic：SLIC slic; 是一个SLIC类
2. labels：int* labels = new int[sz];一张标签图，和图像大小一致，用于标记每个像素的标签值；sz=width*height，即一张图像的像素总数。
3. numlabels：int numlabels(0);是图像最终分成的类数，即最终生成的超像素个数，在这里被初始化为0。
4. m_spcount: 是客户从界面输入的值，即初始化的种子个数，但是SLIC算法中不一定每个种子最终都能得一个超像素，由于某些因素可能被其他超像素合并。若种子数不符合规定，则通过（总像素值SZ）/（每个超像素默认大小200）获得种子数：if (m_spcount < 20 || m_spcount > sz/4) m_spcount = sz/200;
5. m_compactness:if(m_compactness < 1.0 || m_compactness > 80.0) m_compactness = 20.0;这个值也是有用户设定的，是颜色特征和XY坐标特征之间的紧密度比例，20这个值效果往往不错。

• 该函数的定义：

void SLIC::DoSuperpixelSegmentation_ForGivenNumberOfSuperpixels(

    unsigned int *                                   ubuff,//img

   const int                                         width,

    const int                                        height,

    int*&                                           klabels,//labels

    int&                                            numlabels, //

    const int &                                      K, //初始化的种子数 m_spcount

    const double &                                   compactness) // m_compactness空间参数转换的权重值

{

    const int superpixelsize = 0.5+double(width*height)/ double(K);

    DoSuperpixelSegmentation_ForGivenSuperpixelSize(ubuff,width,height,klabels,numlabels,superpixelsize,compactness);

}

1. superpixelsize：超像素的大小，即每个超像素中包含的像素值
2. DoSuperpixelSegmentation_ForGivenSuperpixelSize函数中完成了超像素生成的功能
3. const int STEP = sqrt(double(superpixelsize))+0.5;这个变量很关键，是种子点的跨度。

2.子程序流程

在 DoSuperpixelSegmentation_ForGivenSuperpixelSize函数中主要包含以下函数：

• DoRGBtoLABConversion(ubuff, m_lvec, m_avec, m_bvec); 

     将RGB图像转换为LAB图像。

• GetLABXYSeeds_ForGivenStepSize(kseedsl, kseedsa, kseedsb, kseedsx, kseedsy, STEP, perturbseeds, edgemag);

           均匀分布种子点，将种子点的5维特征值LABXY作为分类的中心点特征值存入 kseeds向量中。

• PerformSuperpixelSLIC(kseedsl, kseedsa, kseedsb, kseedsx, kseedsy, klabels, STEP, edgemag,compactness);

          对整张图像进行局部的K-Means聚类，生成超像素。这是超像素生成的关键步骤，也耗时最多。