SLIC超像素分割算法研究（代码可下载）

超像素概念是2003年Xiaofeng Ren[1]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。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[2]，而目前，OpenCV关于超像素生成，没有发现网上有相关代码，但其实在opencv_contrib目录下面的未稳定功能模块有SLIC，SEEDS，LSC算法相关实现，如果想要使用这个目录的功能，需要自己重新进行OpenCV的编译[8]，有关编译和配置方法可参考[8 ,9]。一些常用的超像素分割算法和性能对比如下表[3]：

本文介绍SLIC（simple lineariterativeclustering）超像素分割算法，即简单的线性迭代聚类，该算法是目前执行速度最快的超像素分割方法[3]，2015年实现并行执行速度达250FPS [4,5]。SLIC算法是2010年Achanta[6]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[2]，算法基本思路与Kmeans聚类算法类似。算法具体实现过程如下[6,2]：

1.  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)。

2.  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。

3.  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。

4.  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，所以我们取一个固定常数m（取值范围[1,40],一般取10）代替。最终的距离度量D'如下：

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。

5.  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。

6.  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。

SLIC算法的代码(C++和matlab版)可到该算法发明人Achanta的页面[7]下载，我们下载该代码的C++windows版本，并编写一个简单图像格式转换函数，将SLIC超像素算法与openCV一起实现了一个简单的应用实例，因为SLIC算法输入必须是RGB彩色图像，因此我们考虑了灰度图像和彩色图像两种不同情况下的数据转换，当输入为灰度图时，将该灰度图像复制三次到其他色彩通道，主程序如下（代码运行还需要从Achanta网站[7]下载的SLIC.cpp和SLIC.h文件，有关我们测试程序的所有代码（包括了SLIC.cpp和SLIC.h文件）下载网站：http://download.csdn.net/detail/zhouxianen1987/9778247）：

#if 1
#include   
#include 
#include "opencv2/opencv.hpp" 
#include "SLIC.h"
using namespace std;
using namespace cv;
int imgOpenCV2SLIC(Mat img, int &height, int &width, int &dim, unsigned int * &image);
int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat &imgSLIC);
int main()
{

	Mat imgRGB;
	time_t tStart,tEnd,exeT;

	imgRGB= imread("0_0_77rgb.jpg");
	if (imgRGB.empty() == true){
		cout<<"can not open rgb image!"<(j);
			for(int i = 0; i < width; i++) {
				pImage[j * width*4 + 4*i+3] = 0;
				pImage[j * width*4 + 4*i+2] = ptr[0];
				pImage[j * width*4 + 4*i+1] = ptr[0];
				pImage[j * width*4 + 4*i] = ptr[0];		
				ptr ++;
			}
		}
	}
	else{
		if(dim==3){
			for(int j = 0; j < height; j++){
				Vec3b * ptr = img.ptr(j);
				for(int i = 0; i < width; i++) {
					pImage[j * width*4 + 4*i+3] = 0;
					pImage[j * width*4 + 4*i+2] = ptr[0][2];//R
					pImage[j * width*4 + 4*i+1] = ptr[0][1];//G
					pImage[j * width*4 + 4*i]   = ptr[0][0];//B		
					ptr ++;
				}
			}
		}
		else  error=1;

	}

	image = new unsigned int[imgSize];
	memcpy( image, (unsigned int*)pImage, imgSize*sizeof(unsigned int) );
	delete pImage;

	return error;

}


//SLIC图像数据转换为OpenCV Mat图像数据
//输入：unsigned int *image, int height, int width, int dim
//输出：Mat &imgSLIC ，同时返回转换是否成功的标志：成功为0，识别为1
int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat &imgSLIC)
{
	int error=0;//转换是否成功的标志：成功为0，识别为1

	if(dim==1){
		imgSLIC.create(height, width, CV_8UC1);
		//遍历所有像素，并设置像素值 
		for( int j = 0; j< height; ++j) 
		{ 
			//获取第 i行首像素指针 
			uchar * p = imgSLIC.ptr(j); 
			//对第 i行的每个像素(byte)操作 
			for( int i = 0; i < width; ++i ) 
				p[i] =(unsigned char)(image[j*width+i]& 0xFF)  ; 
		} 
	}
	else{
		if(dim==3){
			imgSLIC.create(height, width, CV_8UC3);
			//遍历所有像素，并设置像素值 
			for( int j = 0; j < height; ++j) 
			{ 
				//获取第 i行首像素指针 
				Vec3b * p = imgSLIC.ptr(j); 
				for( int i = 0; i < width; ++i ) 
				{ 
					p[i][0] = (unsigned char)(image[j*width+i]          & 0xFF ); //Blue 
					p[i][1] = (unsigned char)((image[j*width+i] >>  8 ) & 0xFF ); //Green 
					p[i][2] = (unsigned char)((image[j*width+i] >>  16) & 0xFF ) ; //Red 
				} 
			}
		}
		else  error= 1 ;

	}

	return error;
}

#endif

执行效果如下：

参考资料：

[1]Ren X，Malik J．  Learning a classification model forsegmentation［C］/ /Proceedings of the IEEE International Conference on Computer  Vision．   Washington  DC， USA:   IEEE，2003:   10-17.［DOI:  10. 1109 /ICCV． 2003. 1238308］

[2] http://blog.csdn.net/electech6/article/details/45509779

[3]Achanta,Radhakrishna, et al. "SLICsuperpixels compared to state-of-the-artsuperpixel methods." PatternAnalysis and Machine Intelligence, IEEETransactions on 34.11 (2012): 2274-2282.

[4] http://www.robots.ox.ac.uk/~victor/gslicr/

[5] gSLICr: SLIC superpixels at over 250Hz

[6] Achanta,Radhakrishna, et al. Slicsuperpixels. No. EPFL REPORT 149300. 2010.

[7] http://ivrl.epfl.ch/research/superpixels#SLICO

[8] http://blog.csdn.net/zhangyonggang886/article/details/52854219?locationNum=5&fps=1

[9] http://blog.csdn.net/jarvischu/article/details/8468894