解决视觉退化问题

RGBD相机=二维颜色信息+三维空间信息

RGB可见光传感器：采集可见光图像过程容易受外界因素影响，发生视觉退化。

外界因素=扬尘落在物体表面遮挡物体纹理（图片对比度低，颜色退化严重，物体之间边缘模糊）+ 物体平面的震动（图像模糊）+ 光照不稳定（开放环境光照变化大）

测距原理限制：粉尘+震动——>深度相机采集深度信息出现缺失，尤其是物体叠加处，目标对象的轮廓信息更会丢失——>深度信息无法采集会出现空洞

SLIC算法只利用了可见光的信息，但如果出现视觉退化会使得场景中的信息丢失，在像素分配时会产生歧义，最终导致超像素边缘无法贴合物体边缘。

因此本文讨论利用可见光和深度两种不同维度的信息来生成超像素。

---

SLIC：（1）均匀设置种子点+K-means聚类基础上限制搜索范围
（2）像素相似性=lab颜色信息+像素本身位于图像中的空间位置+平衡机制
缺点：计算资源浪费在了反复迭代聚类的过程中+类似于SLIC等利用k-means聚类方式的超像素生成方法只能进行线性分割和局部信息

（1）迭代问题————>SNIC=连接超像素集群的候选像素存入优先队列+每次弹出对聚类中心具有最小距离的像素+该像素加入对应超像素集合中+更新聚类中心——>无需迭代，只用k-means迭代一次就可生成最终的聚类中心和对应的超像素
（2）线性和局部全局的问题————>LSC=利用核方法将图像特征映射到高维空间+高维空间中实现非线性超像素分割（每一块超像素的生成都利用了全局信息）——>高维特征空间利用简化加权k-means聚类等价了高复杂度的特征归一化割目标函数极小化（高维特征在线性时间生成 非线性分割的超像素）
（3）引入图像深度信息————>DASP=利用深度信息计算图像中超像素聚类中心的密度分布+根据密度分布得到初始化聚类中心点+聚类生成超像素
其中，像素相似度=颜色信息+三维空间中的像素点的距离+像素点所在平面之间的夹角
缺点：DASP十分依赖深度图，深度信息退化时该算法聚类时会出现严重错误+大量三维向量的计算耗费资源