SLIC算法分割超像素原理及Python实现

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

原始链接

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

1. 撒种子。将K个超像素中心分布到图像的像素点上。
2. 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。
3. 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。
4. 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。
5. 对每一个超像素中心，重新计算它的位置。
6. 重复4 5 两步。

代码阅读

(1)先创建一个对象p