python-opencv实现图像超像素分割（SLIC、SEEDS、LSC）

---

转载自：苏格拉- PYTHON - OPENCV实现图像超像素分割（SLIC、SEEDS、LSC）

---

超像素

超像素是把一张图片中具有相似特征的像素进行聚类，形成一个更具有代表性的大“像素”。这个新的像素可以作为其他图像处理算法的基本单位，可以减低图像的维度和异常像素点。目前常用的超像素分割算法有SLIC、SEEDS和LSC。下面来说说这些算法基于Opencv的Python实现。

SLIC算法

算法具体原理可参考博客：SLIC超像素算法原理

利用opencv中ximgproc类下的子类SuperpixelSLIC，实现SLIC算法。

python调用方法：

retval=cv.ximgproc.createSuperpixelSLIC(image[, algorithm[, region_size[, ruler]]])

其中各个参数意义如下：

1. image：输入图像
2. algorithm：选择要使用的算法变体：SLIC、SLICO（默认）和MSLIC三种可选
3. region_size：平均超像素大小，默认10
4. ruler：超像素平滑度，默认10

python具体实现如下：

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
### SLIC 算法
# 初始化slic项，超像素平均尺寸20（默认为10），平滑因子20
slic = cv2.ximgproc.createSuperpixelSLIC(img, region_size=20, ruler=20.0) 
slic.iterate(10)     # 迭代次数，越大效果越好
mask_slic = slic.getLabelContourMask()     # 获取Mask，超像素边缘Mask==1
label_slic = slic.getLabels()     # 获取超像素标签
number_slic = slic.getNumberOfSuperpixels()     # 获取超像素数目
mask_inv_slic = cv2.bitwise_not(mask_slic)  
img_slic = cv2.bitwise_and(img, img, mask=mask_inv_slic) #在原图上绘制超像素边界

color_img = np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] = (0, 255 , 0)
result_ = cv2.bitwise_and(color_img, color_img, mask=mask_slic)
result = cv2.add(img_slic, result_)

cv2.imwrite("./cat_SLIC.png", result)

SEEDS算法

利用opencv中ximgproc类下的子类createSuperpixelSEEDS，实现SEEDS算法。

python调用方法：

retval=cv.ximgproc.createSuperpixelSEEDS(image_width, image_height, image_channels, num_superpixels, num_levels[, prior[, histogram_bins[, double_step]]])

其中各个参数意义如下：

1. image_width：输入图像宽度
2. image_height：输入图像高度
3. image_channels：输入图像通道数
4. num_superpixels：期望超像素数目
5. num_levels：块级别数，值越高，分段越准确，形状越平滑，但需要更多的内存和CPU时间
6. histogram_bins：直方图bins数，默认5
7. double_step：如果为true，则每个块级别重复两次以提高准确性默认false

python具体实现如下：

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
### SEEDS 算法
# 初始化seeds项，注意图片长宽的顺序
seeds = cv2.ximgproc.createSuperpixelSEEDS(img.shape[1], img.shape[0], img.shape[2], 2000, 15, 3, 5, True)
seeds.iterate(img, 10)   # 输入图像大小必须与初始化形状相同，迭代次数为10
mask_seeds = seeds.getLabelContourMask()
label_seeds = seeds.getLabels()
number_seeds = seeds.getNumberOfSuperpixels()
mask_inv_seeds = cv2.bitwise_not(mask_seeds)
img_seeds = cv2.bitwise_and(img,img,mask =  mask_inv_seeds)

color_img = np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] = (0, 255 , 0)
result_ = cv2.bitwise_and(color_img, color_img, mask=mask_slic)
result = cv2.add(img_seeds, result_)

cv2.imwrite("./cat_SEEDS.png", result)

LSC算法

利用opencv中ximgproc类下的子类createSuperpixelLSC，实现LSC算法。

python调用方法：

retval=cv.ximgproc.createSuperpixelLSC(image[, region_size[, ratio]])

其中各个参数意义如下：

1. image：输入图像
2. **region_size **：平均超像素大小，默认10
3. ratio：超像素紧凑度因子，默认0.075

python具体实现如下：

import cv2
import numpy as np

img = cv2.imread("cat.jpg")
### SEEDS 算法
lsc = cv2.ximgproc.createSuperpixelLSC(img)
lsc.iterate(10)
mask_lsc = lsc.getLabelContourMask()
label_lsc = lsc.getLabels()
number_lsc = lsc.getNumberOfSuperpixels()
mask_inv_lsc = cv2.bitwise_not(mask_lsc)
img_lsc = cv2.bitwise_and(img, img, mask=mask_inv_lsc)

color_img = np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] = (0, 255 , 0)
result_ = cv2.bitwise_and(color_img, color_img, mask=mask_slic)
result = cv2.add(img_lsc, result_)

cv2.imwrite("./cat_LSC.png", result)