SLIC算法是simple linear iterative cluster的简称，该算法⽤来⽣成超像素（superpixel）。检索式
基本思想
算法⼤致思想是这样的，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]，两个像素的相似性即可由它们的向量距离来度量，距离越⼤，相似性越⼩。 算法⾸先⽣成K个种⼦点，然后在每个种⼦点的周围空间⾥搜索距离该种⼦点最近的若⼲像素，将他们归为与该种⼦点⼀类，直到所有像素点都归类完毕。然后计算这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。怎么样，是不是感觉很像K-means聚类算法。
该算法接受⼀个参数K，⽤于指定⽣成的超像素数⽬。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，开始我们每隔S个像素取⼀个聚类中⼼，然后以这个聚类中⼼的周围2S*2S为其搜索空间，与其最为相似的若⼲点即在此空间中搜寻。这⾥有⼀个问题，
毛小芳为了避免所选的聚类中⼼是边缘和噪声这样的不合理点，算法做了改进，在3*3的窗⼝中将聚类中⼼移动到梯度最⼩的区域，梯度定义为
布莱克斯科尔斯
G(x，y)=[V(x+1,y)-V(x-1,y)]^2+[V(x,y+1)-V(x,y-1)]^22010ema
这样就可以避免上⾯所说的情况。
因为L，a，b在CIE-Lab颜⾊空间，L,a,b的⼤⼩有限制，⽽图像尺⼨则没有限制，如果图⽚的尺⼨⽐较⼤，会造成衡量向量距离时空间距离（x，y）的影响过⼤，所以需要调制空间距离（x，y）的影响，所以需要对x，y进⾏normalize。改进向量距离的度量如下：秦之声文华奖
d_lab=[(Lk-Li)^2+(ak-ai)^2+(bk-bi)^2]^0.5
d_xy=[(Xi-Xk)^2+(Yk-Yi)^2]^0.5
Ds=d_lab+(m/S)*d_xy
泰州师专附属实验中学
m⽤来调整d_xy的权值，⼀般为1-20，在算法中设置为10。
最后可能出现⼀些⼩的区域d被标记为归属某⼀块超像素但却与这块超像素没有连接，这就需要把这块⼩区域d重新归类为与这块⼩区域d连接的最⼤的超像素中去，以保证每块超像素的完整。
算法流程
来看看效果吧：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议