最近在看group sparsity相关论文,发现作者的源码中涉及了VLFeat中的vl_slic函数,Tutorial了一下发现SLIC还真是一蛮不错的算法,所以在这里简单整理一下。
1、原理
SLIC,即简单线性迭代聚类,是一种简单有效的图像分割方法,其本质是局部空间的K-means聚类。
2、方法:
1)给定超像素个数,初始化聚类中心(按照
regionSize
均匀分割为grid tile,一般选取grid tile的中心为聚类中心);
2)将初始聚类中心在其
n×n
邻域内微调(一般n=3即可),将聚类中心移到邻域内梯度最小的地方,这样是为了防止聚类中心落在边界上;
3)每个grid tile(
regionSize×regionSize
的方格)内根据各点到聚类中心的距离进行K-means聚类;
4)计算新的聚类中心与之前聚类中心的L1距离,根据阈值判断算法是否收敛。
3、VLFeat之vl_slic
MATLAB API:SLIC详细介绍参见VLFeat官网
SEGMENTS = VL_SLIC(IM, REGIONSIZE, REGULARIZER)
参数:
IM: Input image, SINGLE array with two or three dimensions. The third dimension is arbitrary, but it is usually three for RGB or LAB images
REGIONSIZE :is the starting size of the superpixels;
REGULARIZER: is the trades-off appearance for spatial regularity when clustering (a larger value results in more spatial regularization).
SEGMENTS is a UINT32 array containing the superpixel identifier for each image pixel.
示例:代码引自:http://blog.csdn.net/yeyang911/article/details/39156817
function slicTest( IMG ,SIZE,RATE)
I = vl_rgb2xyz(imread(IMG));
II = (imread(IMG));
im=II;
size(im)
I_single = single(I);
segments = vl_slic(I_single, SIZE, RATE) ;
[sx,sy]=vl_grad(double(segments), 'type', 'forward') ;
s = find(sx | sy) ;
size(find(sx | sy))
imp = II ;
imp([s s+numel(im(:,:,1)) s+2*numel(im(:,:,1))]) = 0 ;
o = imp;
imshow(o);
end
运行结果: