为了从NYU数据集中得到分割标签,尝试用12年的SLIC算法,加上以关节点为中心的分割结果。
-
SLIC
整个算法的输入只有一个,即超像素的个数K。图片原有N个像素,要分割成K个像素,那么每个像素的大小是N/K。超像素之间的距离(即规则情况下超像素的边长)就是S=√N/K。我们的目标是使代价函数(cost function)最小。具体到本算法中,就是每个像素到所属的中心点的距离之和最小。
SLIC算法步骤
- 撒种子。将K个超像素中心分布到图像的像素点上。
- 微调种子的位置。以K为中心的3×3范围内,移动超像素中心到这9个点中梯度最小的点上。这样是为了避免超像素点落到噪点或者边界上。
- 初始化数据。取一个数组label保存每一个像素点属于哪个超像素。dis数组保存像素点到它属于的那个超像素中心的距离。
- 对每一个超像素中心x,它2S范围内的点:如果点到超像素中心x的距离(5维)小于这个点到它原来属于的超像素中心的距离,那么说明这个点属于超像素x。更新dis,更新label。
- 对每一个超像素中心,重新计算它的位置。
- 重复4 5 两步。