当前位置：网站首页 > 技术博客 > 正文

基于超像素的图像分割算法

技术博客 来源： 网络 编辑：小编 发布时间：2025-03-08 09:01:05 浏览量：238



SLIC超像素分割详解（一）：简介_计算机视觉life的博客-CSDN博客_slic超像素分割

机器学习：simple linear iterative clustering (SLIC) 算法_Matrix_11的博客-CSDN博客_简单线性迭代聚类算法

 图像处理: 超像素(superpixels)分割 SLIC算法_haoji007的博客-CSDN博客_超像素分割

Image Segmentation论文学习翻译-SLIC Superpixels Compared to State-of-the-Art Superpixel Methods_暮雨橙海的博客-CSDN博客_slic论文翻译

图像分割：Python的SLIC超像素分割_程序媛一枚~的博客-CSDN博客_python slic

Python实现超像素分割_技术挖掘者的博客-CSDN博客_python 超像素分割

python 自带slic代码分析_北落师门XY的博客-CSDN博客_python slic

SLIC超像素分割并保存分割得到的超像素块，python代码_LarkMi的博客-CSDN博客_python超像素分割代码

超像素分割, 并获取每一个分区 - 默盒 - 博客园 (cnblogs.com)

SLIC Superpixels Compared to State-of-the-Art Superpixel Methods | IEEE Journals & Magazine | IEEE Xplore

SLIC Superpixels ‒ IVRL ‐ EPFL

superpixels ‒ IVRL ‐ EPFL

http://github.com/laixintao/slic-python-implementation

https://github.com/LarkMi/SLIC

徐其钰/MyProject - Gitee.com （超像素分割、边缘检测）

超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术，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。在像素网格上按照一定的方式进行像素局部分组，可得到超像素。

它已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用。几种常见的超像素分割方法及其效果对比如下：

 其中，SLIC（simple linear iterativeclustering），即简单的线性迭代聚类。它是2010年提出的一种思想简单、实现方便的算法，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价。

计算效率高、含有更多感知（有意义的）信息、过度分割可减少像素损失、超像素上表示图形更加高效。 

  • 生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。
  • 不仅可以分割彩色图，也可以兼容分割灰度图。
  • 需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。
  • 相比其他的超像素分割方法，SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

在介绍SLIC之前，插播一下Lab颜色空间的介绍。Lab色彩模型是由亮度（L）和有关色彩的a, b三个要素组成。L表示亮度（Luminosity），L的值域由0（黑色）到100（白色）。a表示从洋红色至绿色的范围（a为负值指示绿色而正值指示品红），b表示从黄色至蓝色的范围（b为负值指示蓝色而正值指示黄色）。

Lab颜色空间的优点：

  • 不像RGB和CMYK色彩空间，Lab 颜色被设计来接近人类生理视觉。它致力于感知均匀性，它的 L 分量密切匹配人类亮度感知。因此可以被用来通过修改 a 和 b 分量的输出色阶来做精确的颜色平衡，或使用 L 分量来调整亮度对比。这些变换在 RGB 或 CMYK 中是困难或不可能的。
  • 因为 Lab 描述的是颜色的显示方式，而不是设备（如显示器、打印机或数码相机）生成颜色所需的特定色料的数量，所以 Lab 被视为与设备无关的颜色模型。
  • 色域宽阔。它不仅包含了RGB，CMYK的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。

另外，Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。如果我们想在数字图形的处理中保留尽量宽阔的色域和丰富的色彩，最好选择Lab。

  • 初始化种子点（聚类中心）：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。
  • 在种子点的n*n邻域内重新选择种子点（一般取n=3）。具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。
  • 在每个种子点周围的邻域内为每个像素点分配类标签（即属于哪个聚类中心）。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为S*S，但是搜索的范围是2S*2S。
  •  距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法如下：

其中，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns=S=sqrt(N/K)，适用于每个聚类。最大的颜色距离Nc既随图片不同而不同，也随聚类不同而不同，所以取一个固定常数m（取值范围[1,40],一般取10）代替。最终的距离度量D'。

由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。

  • 迭代优化。理论上上述步骤不断迭代直到误差收敛（可以理解为每个像素点聚类中心不再发生变化为止），实践发现10次迭代对绝大部分图片都可以得到较理想效果，所以一般迭代次数取10。
  • 增强连通性。经过上述迭代优化可能出现以下瑕疵：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决。主要思路是：新建一张标记表，表内元素均为-1，按照“Z”型走向（从左到右，从上到下顺序）将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。

伪代码

 

具体SLIC代码附在文章最后。
 

 

例1 
 

项目介绍 
 

SLIC超像素分割并保存分割得到的超像素块，python代码_LarkMi的博客-CSDN博客_python超像素分割代码
 

完整代码
 

GitHub - LarkMi/SLIC: SLIC分割并存储分割后的超像素块
 

 

效果展示：
 

 

 
  
 

   各个分割区域 
 
 

 

 

例2
 

超像素分割, 并获取每一个分区 - 默盒 - 博客园 (cnblogs.com)
 

 

 

例3
 

项目介绍 & 效果展示
 

 python 超像素分割_Afleve的博客-CSDN博客_python超像素
 

     
 
  1.  向Cluster类添加了label属性，以便于标记k-means算法得出来的结果
    2.  
 
  2. 对SLICProcessor类方法save_current_image中添加了增加边界的部分，可生成类似3||4.png图像
    3.  
 
  3. 添加了新的类方法generate_result()有一个用户参数K，为设置的Kmeans算法的簇数，根据簇数选择区域合并
    4.  
 
  4. 原码中因为图片通道数不同无法读取同时读取jpg与png图像，小做改动已可以适应。
    5.  

 

 
  
 

   1：超像素分割图；2：加边界；3：Kmeans聚类后的图；4：原图加边界；5：原图 
 
 

 

 代码 
 

opencv/超像素分割 · 徐其钰/MyProject - 码云 - 开源中国 (gitee.com)
 

 

例4
 

Python实现超像素分割_技术挖掘者的博客-CSDN博客_python 超像素分割
 

 

效果展示：通过超像素分割我们可以将整个图像划分为含有固定个超像素组的感知块，具体如图中的黄色块所示。
 

 

 

效果展示：超像素可以准确的检测出齿轮的边缘信息，包括它的内环和外环信息。
 

 

 

 

详见 superpixels ‒ IVRL ‐ EPFL ，里面列举很多使用超像素算法的论文工作。包括有视频检测、无人机数据对齐、语义分割、目标跟踪、3d重建、数据增强、水印恢复，等等。
 

IEEE TIP 2014年 的，基于超像素的方法解决外观发生剧烈变化的物体追踪问题。
 

ICCV 2009年 的，从像素级别的分割迁移到超像素级别的分割。
 

CVPR 2013年的，把样本中超像素级的特征通过k-means聚类为超像素级词袋，再结合SVM对难分类样本进一步分类。
 

IET  2014年的 《》，用于视频前景分割。
 

JEI 2015年的，在无监督条件下对序列图像中运动目标进行精细的分割。
 

ECCV 2022年 的 ，用超像素分割做显著性检测。
 

 

使用超像素对图像进行分割时，设置的超像素数目K比较重要：如果K比较小，每个超像素尺寸会比较大，这样超像素对边界的保持就会变差，如果K比较大，每个超像素的尺寸会比较小，那么会出现类似“过拟合”现象，超像素的形状会变得非常不规则，邻域关系很难保持，而且数目也比较多。
 

 

封装工具、C++、Matlab代码：SLIC Superpixels ‒ IVRL ‐ EPFL
 

1、设定期望分割的超像素数目，打开图片。将彩色RGB图片转换为LAB空间及x、y像素坐标共5维空间。
 

2、DetectLabEdges。求图片中所有点的梯度=dx+dy.其中
 

dx=(l(x-1)-l(x+1))*(l(x-1)-l(x+1))+(a(x-1)-a(x+1))*(a(x-1)-a(x+1))+(b(x-1)-b(x+1))*(b(x-1)-b(x+1));
 

dy=(l(y-1)-l(y+1))*(l(y-1)-l(y+1))+(a(y-1)-a(y+1))*(a(y-1)-a(y+1))+(b(y-1)-b(y+1))*(b(y-1)-b(y+1));
 

3、GetLABXYSeeds_ForGivenK。给定了要分割的超像素总数K，根据LABXY信息获得种子点。
 

1)   超像素的种子点间步长Step=sqrt(N/K)。初始化种子点。按照步长均匀播撒种子点，初始化后种子点是均匀分布的（图1中的红色点）。
 

 

4、超像素的步长Step=sqrt(N/K)+2。加了一个小偏置2是为了避免Step太小，造成超像素太密集的情况。
 

5、PerformSuperpixelSegmentation_VariableSandM。对于每个超像素,最大的颜色距离M取值范围[1,40],一般取10。最大空间距离取步长为Step。
 

     
 
  • 1)   搜索范围2step* 2step，即设置offset=step。 在步长较短时（step<10）可以扩展offset=step*1.5作为搜索范围。
    •  
 
  • 2)  初始化distlab、distxy、distvec为无穷大。maxlab初始化为10*10，maxxy初始化为step*step。distlab代表某点与种子点的lab颜色空间距离，计算如下：distlab(i)=(l-kseedsl(n))*(l-kseedsl(n))+(a-kseedsa(n))*(a-kseedsa(n))+(b-kseedsb(n))*(b-kseedsb(n));distxy代表某点与种子点的空间坐标距离，计算如下：distxy(i)=(x-kseedsx(n))*(x-kseedsx(n))+(y-kseedsy(n))*(y-kseedsy(n));dist代表某点与种子点的综合距离（归一化的颜色距离+空间距离），计算如下：dist=distlab/( maxlab)+ distxy/(maxxy);在此提醒一下：如果将C++程序转为matlab代码时特别要注意数据类型。uint16类型变量减去double类型变量的结果是uint16类型，所以如果后者值大于前者，结果就为0。此处容易出错，需要强制类型转换。
    •  
 
  • 3)   计算搜索区域内每个点离种子点的距离dist，并将搜索区域内每个点离种子点的距离保存在distvec中。因为某点可能位于多个种子点的搜索区域，所以最后保存的是离相邻种子点最近的距离，并将该像素标号为最近种子点相同的标号。同一个超像素内所有像素的标号相同
    •  
 
  • 4)   计算每个新超像素内所有像素的labxy均值和坐标重心。将坐标重心作为该超像素的新种子点位置。
    •  
 
  • 5)   上述步骤2)到4)重复迭代10次。
    •  

 

6、EnforceLabelConnectivity。该函数主要有几个作用：保证同一个超像素都是单连通区域；去掉尺寸过小的超像素；避免单个超像素被切割的情况。
 

     
 
  • 1)   先计算超像素理想面积大小：SUPSZ = sz/K = N/K;
    •  
 
  • 2)   有两种标号向量：上一步骤中得到的旧标号向量labels(即步骤5中得到的klabels)，但其存在多连通，过小超像素等问题，需要优化。新标号向量nlabels，初始化值全为-1。
    •  
 
  • 3)   首先选择每个超像素的起始点（左上角的第一个点），起始点判断条件：a) 按照从左到右，从上到下的“Z”型顺序查找。b)该点在新标号向量nlabels中未被标记过（值为-1）。将其坐标保存在xvec[0],yvec[0]中。
    •  
 
  • 4)   记录前一个相邻超像素的标号值adjlabel。判断条件：a)在步骤3中起始点的四邻域。b)在新标号向量nlabels中被标记过（标号大于0）。记录adjlabel的目的是：如果当前超像素尺寸过小，将当前超像素标号全部用adjlabel代替。即合并到前一个相邻超像素，参考下面步骤6）。
    •  
 
  • 5)   扩展当前超像素。首先选择起始点作为当前操作的中心点，然后对其四邻域进行判断是否属于该超像素成员。判断条件：a) 该点在新标号向量nlabels中未被标记过（值为-1）；b)该点n和当前操作中心点c在旧标号向量中标号一致，即labels(n)= labels(c)，可以理解为原先就是属于同一个超像素的成员。如果判断是超像素的新成员，那么把该新成员作为新的操作中心点，循环直到找不到新成员为止。
    •  
 
  • 6)   如果新超像素大小小于理想超像素大小的一半（可以根据需要自己定义），将该超像素标号用前一个相邻超像素的标号值adjlabel代替，并且不递增标号值。
    •  
 
  • 7)   迭代上述步骤3）到6）直到整张图片遍历结束。
    •  

 

 

超像素算法将像素组合成感知有意义的原子区域( atomic regions)，其可以用于替换像素网格的刚性结构。它们捕获图像冗余，提供计算图像特征的方便原语( primitive )，并且大大降低了后续图像处理任务的复杂性。用下面三点来判断算法的优劣性：
 

     
 
  • 超像素应当良好地粘附到图像边界。
    •  
 
  • 当作为预处理步骤用于降低的计算复杂度时，超像素应当快速计算，存储 器效率高且易于使用。
    •  
 
  • 当用于分割目的时，超像素应当增加速度并提高结果的质量。
    •  

 

论文列举其他超像素方法，再提出SLIC算法进行对比。
 

 

用于生成超像素的算法可以大致分类为基于图或梯度上升的方法。 
 

 

基于图形的方法
 

基于图形的超像素生成方法将每个像素视为图中的节点。两个节点之间的边权重与相邻像素之间的相似性成比例。超像素通过最小化图中定义的成本函数来创建。
 

NC05，归一化切割算法递归地使用轮廓和纹理线索分割图像中的所有像素的图形，从而全局性地最小化在分割边界处的边缘定义的成本函数。它产生非常规则，视觉上令人愉快的超像素。然而，NC05的边界粘附相对较差，并且它是方法中最慢的（特别是对于大图像），尽管试图加速的算法存在。NC05具有的复杂度，其中N是像素的数量。
 

GS04，提出了一种替代的基于图形的方法，已被应用于生成超像素。它将像素作为图的节点，使得每个超像素是组成像素的最小生成树。GS04在实践中很好地粘附到图像边界，但是产生具有非常不规则的尺寸和形状的超像素。它的复杂度是这里写图片描述，在实践中速度很快。然而，它不提供对超像素的量或其紧凑性的明确控制。
 

SL08，提出了一种通过确定将图像分割成更小的垂直或水平区域的最佳路径或接缝来生成符合网格的超像素的方法。使用类似于SeamCarving的图切割方法找到最佳路径。复杂的是这里写图片描述，但这并不考虑预先计算的边界图，这强烈影响输出的质量和速度。
 

GCa10和GCb10。使用纹理合成工作的全局优化方法。通过将重叠的图像块拼接在一起来获得超像素，使得每个像素仅属于重叠区域中的一个。这个方法有两个变种，一个用于生成紧凑超像素（GCa10），一个用于恒定强度超像素（GCb10）。
 

 

基于梯度上升的方法
 

从粗略的像素初始聚类开始，梯度上升法迭代地修改聚类，直到满足一些收敛标准以形成超像素。
 

MS02，平均偏移，用于定位密度函数的局部最大值的迭代模式寻找过程被应用于图像的颜色或强度特征空间中的第一模式。会聚到相同模式的像素定义超像素。MS02是一种较旧的方法，产生不均匀尺寸的不规则形状的超像素。它是复杂度这里写图片描述，使其相对较慢，并且不提供对超像素的量，尺寸或紧密度的直接控制。
 

QS08，也使用模式查找分割方案。它使用medoid移位过程初始化分割。然后将特征空间中的搜索点移动到最近的邻居，从而增加Parzen密度估计。虽然它具有相对良好的边界粘附，但是QS08的运行速度相当缓慢，具有复杂度这里写图片描述（d是一个小常数）。而且QS08不允许对超像素的大小或数量的显式控制。
 

WS91，从局部最小值开始执行梯度上升以产生分水岭，和分离集水盆地的线条。所得到的超像素在尺寸和形状上通常是高度不规则的，并且不表现出良好的边界粘附。具有这里写图片描述的复杂度），但不提供对超像素量或其紧凑性的控制。
 

TP09，使用基于水平集的几何流动逐渐扩大一组种子位置。几何流依赖于局部图像梯度，目的是在图像平面上规则地分布超像素。与WS91不同，TP09超像素被约束为具有均匀的尺寸，紧凑性和边界粘附。TP09依赖于不同复杂度的算法，但在实践中，如作者所声称的，具有大约这里写图片描述的复杂度，是所检查的最慢的算法之一，并且表现出相对较差的边界粘附。
 

 

SLIC
 

比现有方法更快，更高的记忆效率，展示了目前最优的边界依从性，并提高了分割算法的性能。简单线性迭代聚类（SLIC）采用K均值算法生成超像素，相较与其他算法具有两个重要的区别：
 1）通过将搜索空间限制为与超像素大小成比例的区域，显着地减少了优化中的距离计算的数量。这降低了像素数N的线性复杂度，并且与超像素k的数量无关。
 2）加权距离度量组合颜色和空间接近度，同时提供对超像素的尺寸和紧凑性的控制。
 

 

 

 


                            


                            

                                
  • 
                                    
                                    上一篇：
                                    
                                    万能辅助器
                                    
                                    
                                
    • 
                                
  • 
                                    
                                    下一篇：
                                    
                                    二叉搜索树和平衡二叉树有什么区别和联系
                                    
                                    
                                
    • 
                            
    

                            
                            
    
                                
    
                                    版权声明：
    
                                    本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

    
                                    
    本文网址：https://www.mushiming.com/mjsbk/4766.html
    
                                
    
                            
    
                            
                        
    
                        
    
                            
    

                            
    
                        
    

                        
                        
                        
    
                            
    相关文章：
    
                            
                            
                        
                        
  • 
                                万能辅助器2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                c语言fwrite函数的功能2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                vscode远程连接服务器并使用服务器环境2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                python课程教学2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                微信小程序回调2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                二叉搜索树和平衡二叉树有什么区别和联系2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                数据结构导论题库2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                xml文件中注释怎么写2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                fcntl.h windows2025-03-08 09:01:05
                        
    • 
                        
                        
  • 
                                hsqldb h22025-03-08 09:01:05
                        
    •