Mean-shift超像素分割

Mean-shift超像素分割

超像素概念：超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。是通过图像分割获取的小区域，但是超像素中往往存在过分割。

现有的超像素分割方法：

l  基于图论的超像素分割方法：

1.        Normalized cuts算法--该算法的特点是产生的超像素较为规则，但其边缘贴合度较差，计算速度较慢，尤其不适用于大尺寸图像分割。

l  基于梯度上升的超像素分割方法：

1.        watershed算法--分水岭算法计算速度快，但过分割现象严重，且超像素边缘贴合度和紧密度较低。

2.        SLIC(simple linear iterative clustering)算法—处理速度快，超像素大小均匀，紧密的好，但是如果为了后续的超像素聚合效果并不好。

3.        mean-shift算法--抗噪性好，边缘贴合度好，生成的超像素极不规则。

超像素的应用：

1）有利于图像局部特征的提取和图像结构信息的表达;

2）利于降低处理对象规模和后续处理的计算复杂度。

Mean-shift适用于处理什么样的图像？

这个应该从mean-shift的原理来理解：对灰度图像如下图来说，可以看做是分布在（X,Y,DN（灰度））三维空间的数据点。假如我们以这些数据点中的一点为球心做一个单位体积的球，并求球中数据的概率密度最大值࿰