本文介绍了超像素分割的概念及其在图像处理中的应用，重点讲解了SLIC算法的原理、实现过程及优势。SLIC算法基于K-means思想，通过调整颜色和空间距离权重生成紧凑的超像素，并在多种图像分割任务中表现出色。此外，还列举了与其他超像素算法如Graph-Based、Ncut、Turbopixel和Quickshift的对比。
2003 年,任晓峰教授在图像分割技术层面上提出了超像素分割的这一概念，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素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经证明在深度估算（depth estimation），图像分割（image segmentation），骨架提取（skeletonization），人体模型估计（body modelestimation），目标定位（object localization）等等领域十分有效。常见的超像素分割方法包括： Graph-based、NCut、Turbopixel、Quick-shift、 Graph-cut a、Graph-cut b以及SLIC。
其中SLIC（simple linear iterativeclustering，简单线性迭代聚类）算法是2012年提出，是业内使用最多的一种超像素图像分割算法，下面是它的伪代码：
开源代码有c++/python版本，也有matlab接口，还有gpu加速版本
算法基于是k-means思路，将图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个像素的（L，a，b）颜色值和（x，y）坐标组成一个5维向量V[L,a,b,x,y], 然后
扫一扫
2750
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
