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:
SLIC算法(Simple Linear Iterative Clustering)_第1张图片
    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
SLIC算法(Simple Linear Iterative Clustering)_第2张图片
  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?

你可能感兴趣的:(Superpixel)