SLIC圖像分割算法

1、圖像分割算法 圖像分割是指把圖像分解成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程， 它是計算機視覺領(lǐng)域的一個重要而且基本的問題， 分割結(jié)果的好壞將直接影響到視覺系統(tǒng)的性能。圖像分割的要求：a高分辨率、速度高：圖像處理技術(shù)發(fā)展的最終目標(biāo)是要實現(xiàn)圖像的實時處理，這在移動目標(biāo)的生成、識別和跟蹤上有著重要意義； b立體化：立體化包括的信息量最為豐富和完整，未來采用數(shù)字全息技術(shù)將有助于達(dá)到這個目的； c智能化:其目的是實現(xiàn)圖像的智能生成、處理、識別和理解。 超像素及其優(yōu)勢： 所謂的“超像素”，就是指許多相似的像素點組合在一起，作為一個整體來處理，這個整體就稱之為超像素。像素并不是人類視覺的著重點，因為

2、人類獲得圖像是從許多的像素點的組合的一個區(qū)域而來的，單一的某個像素點并不具有什么意義，只有在組合在一起對人類而言才有意義。 SLIC（簡單線性、迭代聚類）算法在由CIELAB色彩空間中的L，a,b值和x,y坐標(biāo)像素所構(gòu)成的五維空間中執(zhí)行一個局部的像素點聚合。一種新的距離度量能夠?qū)崿F(xiàn)超像素形狀的緊湊、有規(guī)則，并能夠無縫隙的包含灰度及彩色圖像。SLIC實現(xiàn)起來比較簡單,容易在實踐中應(yīng)用唯一的參數(shù)指定所需超像素點的數(shù)量。Lab色彩模型是由亮度（L）和有關(guān)色彩的a, b三個要素組成。L表示亮度（Luminosity），L的值域由0（黑色）到100（白色）SLIC(簡單線性迭代聚類)是一種通過利用像素的

3、顏色相似度和圖像片面空間對像素進(jìn)行聚類，從而有效的生成緊湊的幾乎統(tǒng)一化的超像素的分割方法。SLIC分割方法使用簡單，只需給定需要得到的超像素的數(shù)量即可，且運行速度快，只需要線性的運行時間和存儲空間。SLIC分割方法生成的超像素具有較好的緊湊性和邊界貼合度，超像素大小一致且形狀均勻。我們的方法(SLIC)是在五維空間labxy中來實現(xiàn)的，其中l(wèi)ab為CIELAB色彩空間中的像素顏色矢量，被認(rèn)為是小顏色距離感知統(tǒng)一，xy是像素點的位置。在CIELAB空間中兩種顏色的最大可能距離受到限制，在xy平面上空間距離取決于圖像大小。K-means算法：K-Means的算法如下：1.隨機在圖中取K（這里K=2

4、）個種子點。2.然后對圖中的所有點求到這K個種子點的距離，假如點Pi離種子點Si最近，那么Pi屬于Si點群。（圖中，我們可以看到A，B屬于上面的種子點，C，D，E屬于下面中部的種子點）3.接下來，我們要移動種子點到屬于他的“點群”的中心。（見圖上的第三步）4.然后重復(fù)第2）和第3）步，直到種子點沒有移動，一般迭代十次即可。clcclear%讀取圖像，預(yù)處理he=imread(1.jpg);%讀取圖像cform=makecform(srgb2lab);%圖像由RGB轉(zhuǎn)為lablab_he=applycform(he,cform);%lab_he=double(lab_he);%設(shè)置初值color

5、=255,255,255;thre=0.02;%最終生成分割圖像梯度閾值m=40;%權(quán)值k=1;%劃分為300個簇die=20;%kmeans迭代die次x=size(he);s=(x(1)*x(2)/k)0.5;s=ceil(s);%初始分割網(wǎng)格間距sr=ceil(x(1)/s);%網(wǎng)格行數(shù)rw=ceil(x(2)/s);%網(wǎng)格列數(shù)wct=r*w;belong=ones(x(1),x(2);center=zeros(ct,5);%初始每個像素點的距離dist=9999*ones(x(1),x(2);SLIC算法：1. 初始化種子點（聚類中心）：按照設(shè)定的超像素個數(shù)，在圖像內(nèi)均勻的分配種子點。

6、圖片總共有 N 個像素點預(yù)分割為 K 個相同尺寸的超像素每個超像素的大小為N/ K 相鄰種子點的距離（步長）近似為S=sqrt(N/K)%初始中心節(jié)點centerfor i=1:r for j=1:w if (ir) x1=(i-1)*s+fix(s/2); else x1=(i-1)*s+fix(rem(x(1),s)/2); end if (jw) y1=(j-1)*s+fix(s/2); else y1=(j-1)*s+fix(rem(x(2),s)/2); end z=lab_he(x1,y1,:); center(i-1)*w+j,:)=z(:,:,1) z(:,:,2) z(:,:

7、,3) x1 y1;%初始中心節(jié)點center endend2. 在種子點的3*3鄰域內(nèi)重新選擇種子點：計算該鄰域內(nèi)所有像素點的梯度值將種子點移到該鄰域內(nèi)梯度最小的地方避免種子點落在噪聲點上3. 在每個種子點周圍的鄰域內(nèi)為每個像素點分配類標(biāo)簽：SLIC的搜索范圍限制為2S*2S加速算法收斂SLIC算法：SLIC算法：4. 距離度量：顏色距離和空間距離dc代表顏色距離ds代表空間距離%迭代聚類處理t1=clock;move=99999;for c=1:die %進(jìn)行迭代die次 if move=1)&(u=1)&(v=x(2) dc=(lab_he(u,v,1)-center(i,1)2+(la

8、b_he(u,v,2)-center(i,2)2+(lab_he(u,v,3)-center(i,3)2)0.5; ds=(u-center(i,4)2+(v-center(i,5)2)0.5; d=(dc)2+(ds*m/s)2)0.5;%計算距離 if ddist(u,v) dist(u,v)=d; belong(u,v)=i; move=move+1; end end end end end end SLIC算法：5、移動聚類中心： 即迭代優(yōu)化理論上上述步驟不斷迭代直到誤差收斂（可以理解為每個像素點聚類中心不再發(fā)生變化為止），實踐發(fā)現(xiàn)10次迭代對絕大部分圖片都可以得到較理想效果，所以一般

9、迭代次數(shù)取10。6. 增強連通性：不連續(xù)的超像素、尺寸過小超像素重新分配給鄰近的超像素求點群中心的算法1）Minkowski Distance公式可以隨意取值，可以是負(fù)數(shù)，也可以是正數(shù)，或是無窮大。2）Euclidean Distance公式也就是第一個公式=2的情況3）CityBlock Distance公式也就是第一個公式=1的情況這三個公式的求中心點有一些不一樣的地方，我們看下圖（對于第一個在0-1之間）。K-Means+算法：K-Means主要有兩個最重大的缺陷都和初始值有關(guān)：K是事先給定的，這個K值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個類別才最合適。

10、（ISODATA算法通過類的自動合并和分裂，得到較為合理的類型數(shù)目K）K-Means算法需要用初始隨機種子點來搞，不同的隨機種子點會有得到完全不同的結(jié)果。（K-Means+算法可以用來解決這個問題，其可以有效地選擇初始點）我在這里重點說一下K-Means+算法步驟：先從我們的數(shù)據(jù)庫隨機挑個隨機點當(dāng)“種子點”。對于每個點，我們都計算其和最近的一個“種子點”的距離D(x)并保存在一個數(shù)組里，然后把這些距離加起來得到Sum(D(x)。然后，再取一個隨機值，用權(quán)重的方式來取計算下一個“種子點”。這個算法的實現(xiàn)是，先取一個能落在Sum(D(x)中的隨機值Random，然后用Random -= D(x)，

11、直到其0&c1(1)=1 belong(rr(g),cc(g)=belong(rr(1)-1,cc(1); elseif cc(1)-1=1 belong(rr(g),cc(g)=belong(rr(1),cc(1)-1); elseif cc(1)+1=x(2) belong(rr(g),cc(g)=belong(rr(1),cc(1)+1); elseif rr(1)+1=1)&(j-1)=1) if belong(i-1,j-1)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b

12、=1; end if belong(i-1,j)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end if belong(i,j-1)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end if belong(i,j+1)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)

13、=color(3); b=1; end elseif (i+1)=1) if belong(i+1,j-1)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end if belong(i+1,j)=belong(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end elseif (i+1)=x(1)&(j+1)=x(2) if belong(i+1,j+1)=belong

14、(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end%聚類后圖像網(wǎng)格顯示hehe=uint8(hehe);figure(1)imshow(he), title(原始圖像);%顯示圖像figure(20)imshow(hehe), title(SLIC分割k=400,m=40)etime(t2,t1)K=256K=512SLIC算法的比較與改進(jìn)：對于一個480320的圖像來說，SLIC要比TP09快10倍，比NC05快500倍。由b圖可知，對于百萬像素以上的圖片，SLIC的速度要快于GS04。這是因為我們的算法運行復(fù)