fuzzy-superpixels (FS) 模糊超像素分割方法

       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。

       在分类中，超像素中的所有像素被视为具有相同的标记。 然而，混合超像素和纯超像素都存在于实践应用中。给定标记像素，如果像素在纯超像素（例如，图1的超像素1中具有符号L的像素）中，则纯超像素中的所有像素被指定为正确标记。下图中不同的颜色块表示不同类别，混合超像素就是2，5，6。 然而，如果像素在混合超像素（例如，图1的超像素5中具有符号L的像素）中，则混合超像素中的一些像素被给予错误的标签（例如，在超像素5中仅两个像素被给予正确的标签， 14个其他像素被分配了错误的标签）。 因此，为图像分类应用设计特定的超像素算法是非常重要的。 促使超像素算法产生较少的混合超像素（或更纯的超像素），以减少预处理步骤对分类性能的负面影响。

                                                                                 

     因此文章Fuzzy-superpixels for Polarimetric SAR Images Classification提出了混合超像素(FS)的方法，在模糊超像素中，图像中的像素分成两部分超像素和未确定像素。也就是说，并非所有像素都分配给特定的超像素。所提出的FS算法的主要优点如下。
（1）FS易于理解和实现。
（2）FS产生的超像素的边界附着力优于现有技术的超像素算法产生的超像素。 FS产生比其他超像素算法更纯的超像素。
（3）当用于PolSAR图像分类时，FS显示优于现有的超像素算法

常见的产生超像素的方法包括： WS 、NCut 、Turbopixel 、 Quick-shift、SEEDS  以及 SLIC 。

FS概念

                                           

       像上面图2，3一样，传统的超像素方法是每个像素被分配给超像素，并且每个超像素中的所有像素被视为具有相同的标签。在模糊超像素中，并非所有像素都被分配给某个超像素。如果像素不能被明确地识别为超像素，则该像素被视为未确定的像素并且不属于任何超像素。模糊超像素由两部分组成，即超像素和未确定像素。模糊超像素的例子如图3所示，白圈所示的像素是未确定的像素，其他种类的颜色代表不同的超像素。与超像素算法（虚线）的结果相比，模糊超像素产生的超像素之间存在一定的间距。超像素中的像素被视为整体并被分配给相同的标签。未来像素的标签需要在将来的过程中分配。

FS算法

       FS算法采用模糊c均值（FCM）聚类算法生成超像素。 根据初始聚类中心和给定的搜索区域，确定重叠和非重叠的区域。 非重叠区域中的像素属于对应的超像素。 重叠区域中的像素如下步骤。

重叠区域中的像素与对应于重叠的中心像素之间的隶属度通过优化对象函数来估计区域。 对于任何像素，隶属度的总和为1，其定义如下：

                                                                          

其中，i是重叠搜索区域中的像素。 j是相应的中心像素。 c是与像素i对应的中心像素的总数。

那么目标函数的一般形式如下：

                                                      

Dpolsar是像素i和中心像素j之间的距离度量。

                                                          

        其中，dw(i; j)和dxy(i; j)分别表示基于Wishart分布的距离和位置距离。 mpol是一个平衡基于Wishart分布的距离和位置距离的重要性的参数。 值mpol越大，位置接近越重要。

                                                                 

协方差矩阵Covi可以转换为相干矩阵Ti。且。

最小化目标函数，那么对目标函数求导得到：

                                                                        

最后得到聚类中心以及属于每一个超像素的隶属度值。

                                                                                

像素的隶属度用于确定像素是否属于超像素。 过程如下：

                                                                      

，则像素i属于具有中心像素Pij的超像素。 否则，i是一个未确定的像素。

拿实例来说，下面的图像中有81个像素。假设选择了中心像素，相应的搜索区域大小为5×5。初始模糊超像素中心像素为8,21,34,48，在图4和5中，它们对应于6个预期的模糊超像素区域，并由6种不同的颜色表示。红色矩形是中心像素21的搜索区域。从图4可以看出，搜索区域包括非重叠区域和重叠区域。非重叠搜索区域中的像素被分配给对应的超像素。例如，像素1位于中心像素21的非重叠搜索区域中，因此，像素1属于具有中心像素21的超像素。除了非重叠区域外，还有一些重叠区域。重叠区域中的像素用混合颜色标记，如图5所示。例如，像素41位于中心21,34,48和61的重叠搜索区域中，其用4种不同颜色标记。很容易看出像素41可以属于具有中心像素21的超像素，具有中心像素34，具有中心像素48或具有中心像素61.在模糊超像素中，如果条件不满足，则像素41不能被分组成任何超像素，然后，像素41是未确定的像素。
总之，FS是一个四步过程，FS的主要过程如下。
（1）初始化模糊超像素的聚类中心，并设置预期的模糊超像素数。
（2）根据模糊超像素的数量和聚类中心找出非重叠搜索区域和重叠搜索区域。
（3）对于重叠搜索区域中的像素，计算像素和中心像素之间的隶属度。并且隶属度用于估计像素是否属于超像素。非重叠搜索区域中的像素被分配给相应的超像素。
（4）后处理步骤。