【一步一步的积累】SuperPixel

做Segmentation的时候,一般都会将图像划分为SuperPixel,因此这里简单说说这篇论文:

SLIC Superpixels Compared to State-of-the-art Superpixel Methods

Superpixel, 就是将一幅图像的像素分为稍微大一些的像素块,那么自然会想到,如何决定什么像素应该在一块呢?答案是找到在某个映射空间里距离小于一定阈值的点应该汇集在一起。举个极端例子:如果用图像空间里的欧氏距离来作为标准的话,图像就被非常规整的正方形拼图,和图像内容就无关了。而另一个极端例子:如果用人类理解的语义空间上的距离作为标准,那么图像将完美的按照我们的认知分为,眼睛鼻子眉毛草树叶子,那就成语义分割了。 superpixel就是要找到一个合适的距离准则,通过一些简单特征为依据,生成比像素更高一层的单元,以供更高级的图像处理操作。

那么一张图像上能找到的是色彩(不论是RGB或者别的色彩空间),梯度等等常见的特征,如果要使用复杂高级的特征来计算superpixel,那就失去它的作用了。文中的特征是转换到LAB空间,将L,A,B,X,Y作为5维的特征,计算欧氏距离。

当我们找到了合适的距离标准,那么剩下的就是怎么将相同距离范围内的区域标出来了。这有很多种方法,作者总结的有Graph-based和Gradient-ascent-based两种。这里就不详细说了。我们简单说说作者文中用的K-mans算法。

该文的算法是:首先按照指定的区域大小初始化K个种子点,然后根据种子点和附近的像素点的距离来标定各像素属于哪一个种子,然后迭代更新种子点位置和像素的从属区域。


简单的实现了该算法(文章有伪代码),没有文章的示例图效果好,会有一些细节部分导致边缘不够理想,猜想主要是因为没有做后期的其他处理(很可能是bug,欢迎拍砖)。因为只是为了学习原理,所以就不纠结了。偷笑 回头再上效果图吧。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值