本文介绍了SLIC超像素分割技术，一种2010年提出的简单线性迭代聚类算法，它将图像转化为5维特征向量并进行局部聚类。SLIC算法生成的超像素紧凑且形状接近均匀，常用于图像分割等计算机视觉任务。其优点包括参数少、兼容灰度图、速度快等。文章还简述了Lab颜色空间的特点，并概述了SLIC算法的实现步骤，包括初始化、距离度量和迭代优化等。
SLIC超像素分割详解（一）
超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用。几种常见的超像素分割方法及其效果对比如下：
Graph-based NCut Turbopixel Quick-shift Graph-cut a Graph-cut b SLIC
这里主要介绍的是SLIC（simple linear iterativeclustering），即简单的线性迭代聚类。它是2010年提出的一种思想简单、实现方便的算法，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。
SLIC主要优点总结如下：1）生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比
最低0.47元/天 解锁文章
扫一扫
602
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
