SLIC superpixel实现分析



http://infoscience.epfl.ch/record/149300这是SLIC算法的官网，网站有和SLIC相关的资源。

SLIC主要运用K-means聚类算法进行超像素的处理，聚类算法中的距离度量不仅仅包括颜色空间的颜色距离还包括像素坐标的欧氏距离。所以K-means聚类的中心点由五维向量组成。其中包括，记录LAB颜色空间下的像素以及该像素点的XY坐标，由于XY坐标不能和颜色空间直接进行计算，所以添加了一个紧密度的参数。

算法的实现过程：

1 对于一个包含N个像素的图像而言，如果对这个图像聚类为K个超像素块，那么每个超像素的范围大小为N/K个。如果每个超像素区域长和宽都均匀分布的话，那么每个像素的跨度为STEP=sqrt（N/K）

2 利用上面的数据对K-means聚类中心点尽心初始化，不过在初始化之后还需要注意一点。为了保证选出来的中心点不在像素的边缘上所以需要对对求出的中心点的便于梯度进行一个对比排除。就是和周围的8个像素点尽心比较直到找到像素梯度最小的点作为中心点。初始化之后就进行k-means聚类操作。

3 聚类之后还需要有一个增强处理，以便于将一个区域围起来的独立的像素点给归并到某一类中。

下面是整个代码的执行过程：

void SLIC::DoSuperpixelSegmentation_ForGivenNumberOfSuperpixels(
    const unsigned int*                             ubuff,
	const int					width,
	const int					height,
	int*&						klabels,
	int&						numlabels,
	const int&					K,//required number of superpixels
    const double&                                   compactness)//weight given to spatial distance
{
    const int superpixelsize = 0.5+double(width*height)/double(K);//每一个超像素的大小
    DoSuperpixelSegmentation_ForGivenSuperpixelSize(ubuff,width,height,klabels,numlabels,superpixelsize,compactness);
}

函数的参数中，ubuff是图像的像素内存指针，width和height是图像的高度，klabels和ubuff大小一样，用于返回每个像素所代表的label——也就是聚合之后属于哪一个类。numlabels返回实际聚类之后得到的数目，而K则是用户希望聚类的数目，compactness则表示距离转化为颜色空间的比例。函数的起始求出向上取整的颜色空间区域的大小。

void SLIC::DoSuperpixelSegmentation_ForGivenSuperpixelSize(
    const unsigned