superpixel超像素分割：SLIC （K-means聚类算法的一个应用）

论文：SLIC Superpixels Compared to State-of-the-art Superpixel Methods（PAMI　２０１２）

SLIC全称：simple linear iterative cluster

基本思想

将图像由RGB转换到Lab颜色空间（为什么用Lab而不是RGB，作者给出的原因是CIELAB color space is widely considered as perceptually uniform for small color space，Lab更符合人类对颜色的视觉感知，颜色分布更均匀），然后对每个像素，将其（L,a,b）颜色值和（x,y）坐标组成一个5维的向量V[L,a,b,x,y]。两个像素的相似性则可由它们对应的５维向量的距离来度量，即距离越大，相似性越小。

补充RGB与LAB的区别：

RGB为红绿蓝三通道，一起组成颜色，其任一通道的值（０－２５５）表示该通道对应颜色的明暗度；

LAB：L为亮度（Luminosity），ａ和ｂ为两个色彩通道，对L的修改不会改变图像的色相。

算法过程：

（１）首先在图像上生成K个种子点（聚类中心）（不像K-means初始聚类中心是随机分配的，SLIC里是均匀分布的）。

这K个种子点在图像上是均匀分布的。假设原图有N个像素，则分割后每块超像素大致有N/K个像素，每块超像素的边长大致为S=[N/K]^0.5，可看出两个聚类中心的距离为S，如下图所示：

此外，为了避免所选的种子点是边缘或者噪声点，算法做了改进：

对每个种子点，计算其3*3的窗口中像素的梯度，然后将聚类中心移动到梯度最小的那个像素上。梯度定义为：

                                                    G(x，y)=[V(x+1,y)-V(x-1,y)]^2+[V(x,y+1)-V(x,y-1)]^2

（２）为每个像素分配种子标签

对每个像素，在其2S*2S周围内搜索与其最近的种子点，并分配他们属于某一种子类，直到所有像素点都归类完毕，得到K个超像素

距离度量公式：

其中dc代表颜色距离，ds代表空间距离，Ns代表类内最大空间距离，Ns=S=sqrt(N/K)（对每个聚类都是一样的），Nc代表最大的颜色距离（其既随图片不同而不同，也随聚类不同而不同），一般取为一个固定常数：[1,40]（一般取10）。最终的距离度量D'如下：

（３）重新计算聚类中心

计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛。

（４）增强区域连通性

最后经过迭代优化得到的superpixel图可能出现以下情况：超像素过小、孤立点。可通过增强连通性解决。具体是如何实现的，参见代码：

https://ivrl.epfl.ch/research-2/research-current/research-superpixels/

算法流程

推一个该算法优化（浮点数计算内存优化）的博客：

https://www.cnblogs.com/Imageshop/p/6193433.html