SLIC算法（Simple Linear Iterative Clustering）

论文标题：SLIC Superpixels Compared to State-of-the-art Superpixel Methods

作者：Radhakrishna Achanta, Appu Shaji, Kevin Smith,Aurelien Lucchi, Pascal Fua, and Sabine Süsstrunk  （EPFL）

期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence (ISSN: 0162-8828), vol. 34, num. 11, p. 2274 - 2282

算法：

    1. 对N个像素的图片，设置k个以某像素为中心的S*S的聚类，

             S=sqrt(N/k)

        移动中心至 3*3 范围内梯度值最小的像素点。

    2. 对N个像素计算在 2S*2S 范围内的聚类中心点的距离，并将该像素点归入距离最近的聚类。

    3. 对k个聚类中心点进行更新，更新至聚类包含的像素点均值。

    4. 迭代 2，3 步骤，直到中心点不再移动，一般迭代10次。

    5. “孤儿”像素强制连接

    颜色以LAB颜色空间计算

    距离计算公式：

    其中Nc为颜色最大距离，Ns为空间最大距离。Ns即是S，固定Nc为m，则

  由上公式可知，m越大，空间距离贡献越大；m越小，颜色距离贡献越大。

   时间复杂度：  o(4Nl) ，N为像素个数，l为迭代次数

   总结：SLIC是第一个接触的Superpixel算法，算法本身并不复杂，但很高效，采用颜色和空间作为特征值，使用k-means框架进行聚类。与k-means不同在于以2S*2S作为搜索范围，非常有效地提高了算法复杂度。算法代码可以在论文作者主页下载，但是代码中缺少一些细节操作，移动中心至梯度最小像素（这点毕竟不是该算法的创新点）。

   问题：SLIC无法切出细长结构的物体，即SLIC切出的superpixel之间大小与形状相似，这样的设定是否影响Superpixel质量？

             强制连接“孤儿”像素的方式是否存在缺陷？