SLIC超像素

最近，做图像分割，了解到了SLIC，即简单线性迭代聚类。其实是将K-means的思想应用到了超像素的生成中。

http://ivrl.epfl.ch/supplementary_material/RK_SLICSuperpixels/index.html
介绍SLIC算法的论文，以及源码。

https://www.researchgate.net/publication/225069465_SLIC_Superpixels_Compared_to_State-of-the-Art_Superpixel_Methods
可在上面的链接下载论文

算法流程

首先，根据一定的步长，均匀散布种子点；为了不让种子点散落在分割的边界，所以求解其在3×3邻域内的最小梯度，然后重置种子点；同时，将每个像素点标记为-1，距离为无穷大；

之后，采用的是K-means的思想。对于每一个中，在2S×2S的区域内进行搜索，计算该点到该区域内每个像素点的距离，如果距离小于下一个种子点到它的距离，则更新该类的距离值和该点的标记值；

之后，不断循环迭代，直到误差很小，或者不再改变，则退出循环，由于会产生一些孤立的超像素，所以，文中还有后处理的部分，增强超像素的连接性。

由于本人的分割算法还在尝试的阶段，如果使用C++进行编程，则调试起来比较麻烦，所以，我将其C++代码，改写成python，而且使用了openCV，这样使用起来更为方便，快捷。

代码中显示算法流程的部分：

    def DoSuperpixelSegmentation_ForGivenSuperpixelSize(self):        self.STEP = int(float(self.superpixelsize)**(0.5) + 0.5)        if(1):            self.DoRGBtoLABConversion()        else:            for i in range(self.sz):                self.m_lvec[0][i] = self.ubuff[0][i] >> 16 & 0xff                self.m_avec[0][i] = self.ubuff[0][i] >> 8 & 0xff                self.m_bvec[0][i] = self.ubuff[0][i] & 0xff        perturbseeds = True        if(perturbseeds):            edgemag = self.DetectLabEdges()        self.GetLABXYSeeds_ForGivenStepSize(perturbseeds, edgemag)        self.PerformSuperpixelSLIC(edgemag)        self.numlabels = self.kseedsl.shape[1]        self.EnforceLabelConnectivity()   ## 后处理，连接增强        for i in range(self.sz):            self.klabel[0][i] = self.nlabel[0][i]   ## 将旧的标号替换

完整代码，可在：
http://download.csdn.net/my
下载

运行结果：