《SLIC Superpixels》阅读笔记

SLIC 超像素（SLICSuperpixels）

Radhakrishna Achanta, Appu Shaji, KevinSmith, Aurelien Lucchi,

Pascal Fua, and Sabine Susstrunk

摘要：

超像素在计算机视觉领域越来越流行。但是，低计算量的算法却很少。我们发明了一种原创的算法，使像素聚类为五维颜色和图像层，用来生成简洁整齐的超像素。我们的研究结果非常简单易用，效率很高，具备很好的实用价值。实验证明我们的算法计算消耗低，但是却达到或者超过了其他4种最新的（state-of-art）方法。这种结论是通过比较boundary recall和under-segmentation error得出的。

1.介绍：

超像素提供了一种便捷的方式来计算local features。他们通过获得图像中的redundancy来大幅度地减轻后续图像处理的复杂度。已经证明在深度估算（depth estimation），图像分割（image segmentation），骨架提取（skeletonization），人体模型估计（body modelestimation），目标定位（object localization）等等领域十分有效。

超像素要想实际应用必须要运算速度快，简单易用，并且生成高质量的分割。不幸的是，现在最新的超像素生成方法都不能同时满足上述的要求。有的方法计算量大，有的算法分割质量差，有的算法包含多重难调的参数。

我们在本文中提出的方法，简单的同时达到了高质量整齐的超像素分割，并且比最新的方法都要效率高。我们提出的算法叫simple linear iterative clustering(SLIC)，采用的是当地像素聚类（local clustering），该像素是5维的（5-D space）， 是通过定义CIELAB颜色空间（就是Lab颜色空间）中的L,a,b数值以及x，y像素坐标。提出的一种全新的距离计算方法加强了超像素形状的整齐性，可以同时用于彩色图像和灰度图像。SLIC很简单就能实现---唯一需要的参数就是设定超像素的个数。在伯克利标准数据库（Berkeley benchmark dataset）中实验表明，SLIC在产生相似或更好的分割时，效率大幅度提高。该结论通过standard boundary recall和under-segmentationmeasures得到的。

对于很多视觉任务来说，紧凑整齐的超像素，就像SLIC生成的那样，是非常需要的。例如，基于图的模型条件随机场（ConditionalRandom Fields (CRF)），当从像素图到超像素图的时候，可以看到巨大的速度提升，但是松散的无关的超像素会使表现