图像分割-超像素

m0_48980912

已于 2024-02-18 21:22:03 修改

阅读量1.5k

点赞数 21

文章标签：计算机视觉人工智能深度学习

于 2024-02-18 21:20:31 首次发布

本文链接：https://blog.csdn.net/m0_48980912/article/details/134645973

版权

定义：

超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。超像素是将一幅像素级（pixel-level）的图，划分成区域级（district-level）的图，是对基本信息元素进行的抽象。

超像素最大的功能之一是作为图像处理其他算法的预处理，在不牺牲太大精确度的情况下降维。
超像素最直观的解释是把一些具有相似特性的像素“聚合”起来，形成一个更具有代表性的大“元素”。而这个新元素，将作为其他图像处理算法的基本单位。这样可以降低维度，剔除一些异常像素点。
理论上，任何图像分割算法的过度分割（over-segmentation）即可生成超像素。

图像分割中的超像素是指具有相似纹理、颜色、亮度等特征的相邻相似构成的具有一定意义的不规则的像素块。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像特征，很大程度上降低了图像处理的复杂度，所以通常作为分割算法的预处理步骤。

超像素算法

SLIC算法
SLIC（simple linear iterative clustering），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，将彩色图像转换为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优点：

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。这样基于像素方法可以比较容易的改造为基于超像素的方法。
不仅可以分割彩色图像，也可以兼容分割灰度图。
需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。
相比其他的超像素的分割方法，SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

算法步骤：

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。

其中， $d_{c}$ 代表颜色距离， $d_{s}$ 代表空间距离， $N_{s}$ 是类内最大空间距离，定义为 $N_{s}=S=\sqrt{\frac{N}{K}}$ ,适用于每个聚类。最大的颜色距离 $N_{c}$ 随图像不同而不同，也随聚类不同而不同，所以取一个固定常数m（取值范围[1,40]，一般取10）代替，最终的聚类度量如下：

$D^{'}=\sqrt{(\frac{d_{c}}{m})^{2}+(\frac{d_{s}}{S})^{2}}$

由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。
迭代优化：理论上上述步骤不断迭代知道误差收敛（每个像素点聚类中心不再发生变化为止），实践发现10次迭代对绝大部分图片都可以得到较理想效果，所以一般迭代次数取10。
增强连通性：解决经过迭代后出现的多连通情况、超像素尺寸过小、单个超像素被切割成多个不连续超像素的情况。具体步骤为：新建一张标记表，表内元素均为-1，按照“Z”型走向（从左到右，从上到下顺序）将不连续的超像素、尺寸过小超像素重新分配给临近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。