SLIC随笔

什么是SLIC？
SLIC是简单的线性迭代聚类。它将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造举例度量标准，对图像像素进行局部聚类的过程。
什么是超像素？
超像素是指具有相似纹理、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块。
什么是LAB坐标系？
LAB色彩模型是由亮度(L)和有关色彩的a,b三个要素组成
L表示亮度(Luminosity)，值域由0(黑色)到100(白色)
a表示从洋红色至绿色的范围(a为负值表示绿色，正值表示品红)
b表示从黄色至蓝色的范围(b为负值表示蓝色而正值表示黄色)
其优点是颜色表示更为精确，色域更加宽阔

步骤

步骤1
初始化种子点(聚类中心)：按照设定的超像素的个数，在图像内均匀分配种子点。
假设图片总共有$N$个像素点，预分割为$K$个相同尺寸的超像素，那么每个超像素的大小为$N/K$，则相邻种子点的距离（步长）近似为$S=\sqrt{N/K}$。

步骤2
在种子点的$n\ast n$的邻域内重新选择种子点（一般取$n=3$）
计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。
梯度是邻域内所有像素点与初始种子点的梯度
好处：可以避免将超像素定位在图片边缘，减少用噪声像素接种超像素的机会。
步骤3
在每个种子点周围的邻域内为每个像素点分配类标签，即确定每个像素点属于哪个种子点，也就是属于哪个聚类中心。
和标准的K-means在整张图中搜索不同，SLIC的搜索范围限制为$2S\ast 2S$，可以加速算法收敛。

步骤4
距离度量：对于搜索到的每一个像素点，分别计算它和该种子点的距离。

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$N_s=S=\sqrt{N/K}$。
$N_c$是最大颜色距离，它随图片和聚类的不同而不同，所以取一个固定常数$m$（取值范围为[1,40]）代替。所以最终的距离度量$D^{{}^{\prime }}$定义如下：

步骤5
迭代优化。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$D^{{}^{\prime }}$，取最小值对应的种子点作为该像素的聚类中心。
上述步骤不断迭代至误差收敛。
一次迭代完成之后，需要重新计算
步骤6
增强连通性。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）将不连续的超像素、尺寸过小的超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，知道所有点遍历完毕为止。

结果