论文简介
- 地址：SLIC Superpixels Compared to State-of-the-art Superpixel Methods
- 论文主要借鉴了meanshift算法的思想，可以控制生成的超像素的数量以及超像素的紧凑程度，易于扩展到高维空间，在opencv3.X中也已经有相应的库函数可以直接使用。
论文的一些特色
与meanshift的2点区别
- 将搜索空间缩小至与超像素大小成比例的区域，大大减小了距离计算的时间复杂度，最终所有超像素的距离计算量与超像素的个数无关，只与图像大小有关。
- 使用颜色和空间的相似度来进行距离度量，避免生成的超像素尺寸太大，同时保证超像素的紧凑度。
时间复杂度
- 属于迭代优化的过程，时间复杂度为$O(N)$，与设定的超像素的个数无关。
主要步骤
- 对于RGB图像，首先转换到LAB颜色空间，结合位置，对于每个pixel，构造得到$[l,a,b,x,y]$的特征向量。
- 首先均匀生成k个初始点(k为超像素个数)，然后在3X3的区域内重新插选取种子点，使新的种子点落在该邻域内梯度最小的地方。这是为了避免种子点落在梯度较大的轮廓边界上。
- 确定边长为2S($S = \sqrt {N/k}$)的正方形搜索区域，计算该区域内的所有pixel的特征向量与种子点的距离。距离的具体计算方法在论文中，主要就是颜色空间的距离与位置空间的距离的非线性加权。因为搜索区域较大，因此每个pixel可能会被多次计算，取距离的最小值对应的种子点的label作为该pixel最终的label。
- 迭代优化，直到所有的种子点的中心都不再发生变化。一般取迭代次数为10即可达到比较好的迭代效果。
- 后处理，使用连通区域的方法，为一些孤立的pixel分配离它最近的聚类中心的label，这也会使得一些属于同一label、却不连通的超像素之间进行合并。