精华内容
下载资源
问答
  • 基于简单线性迭代聚类和图半监督学习的图像分割方法
  • 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法
  • 简单线性迭代聚类

    2015-08-26 09:51:48
    自己写的SLIC在Matlab上的调用接口,以及相关论文,供研发参考,有问题联系shixin918@126.com
  • 使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的...
  • 超像素-SLIC 简单线性迭代聚类 (SLIC) 超像素分割算法的 OpenCV 实现 用法 有关示例使用,请参阅 main.cpp。 样本输出 原图 计算出的超像素边界 重新着色 参考 原始论文可以在 找到
  • 简单线性迭代聚类(SLIC)是在 K-Means 聚类算法的基础上扩展而来的,是一种简单而高效的构建超像素的方法。SLIC 算法有两个参数K和m,K为超像素个数,m为超像素紧凑程度。将颜色向量和位置向量结合到一起,构成5维...

    简单线性迭代聚类(SLIC)是在 K-Means 聚类算法的基础上扩展而来的,是一种简单而高效的构建超像素的方法。SLIC 算法有两个参数K和m,K为超像素个数,m为超像素紧凑程度。将颜色向量和位置向量结合到一起,构成5维空间向量[l,a,b,x,y]。对于 N 个像素的图像,每个超像素约有 N/J 个像素点,那么每个超像素的网格宽度为 S = √N/J,再由S来选定K个初始聚类中心,然后计算每个聚类中心和它2S2S范围内的像素之间的距离,并把每个像素对应的最小距离的聚类中心作为该像素的标签,也就是标签表明该像素属于哪个聚类中心。其中,距离的测量公式为:
    这里写图片描述
    其中,dlab表示第k个聚类中心与第i个像素点的颜色距离,dxy表示第k个聚类中心与第i个像素点的空间距离,而Ds是颜色距离和归一化的空间距离的和。公式中的变量m用来权衡颜色相似度和空间临近性的影响。m越大,空间影响越大,超像素更紧凑;m越小,颜色影响越大,超像素更贴合图像边缘。
    这里写图片描述

    SLIC作者的源码:SLIC作者源码
    前期看代码时,总想把作者源码中算法重要部分提取出来,直接用opencv实现,从而方便用opencv下一步处理,所以实现了以下代码:opencv实现分割的输出
    这样就可以用opencv直接处理SLIC分割超像素,并在代码中加入了一个时间类。

    展开全文
  • SLIC 简单线性迭代聚类

    千次阅读 2019-06-13 22:58:15
    优点:SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。 步骤:1.初始化聚类中心 2.以种子点为中心在3x3范围内选最小梯度点作为新的聚类中心. 3.... 4....迭代优化,直至误差收...

    优点:SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

    步骤:1.初始化聚类中心

               2.以种子点为中心在3x3范围内选最小梯度点作为新的聚类中心.

               3.确定搜索范围2S*2S,为范围内每个像素点分配标签,期望的像素块大小S*S.

               4.距离度量,空间距离和颜色距离

               5.迭代优化,直至误差收敛,可理解为聚类中心不再变化

               6.增强连通性,消除单个像素或过小像素块

    详细见https://blog.csdn.net/electech6/article/details/45509779https://www.cnblogs.com/Imageshop/p/6193433.html

     

    展开全文
  • 图像超像素(superpixels)分割算法——简单线性迭代聚类(SLIC) 原理  SILC(simple linear iterative clustering)是一种图像分割算法。默认情况下,该算法的唯一参数是k,约等于超像素尺寸的...

    图像超像素(superpixels)分割算法——简单线性迭代聚类(SLIC)

    原理

      SILC(simple linear iterative clustering)是一种图像分割算法。默认情况下,该算法的唯一参数是k,约等于超像素尺寸的期望数量。对于CIELAB彩色空间的图像,在相隔S像素上采样得到初始聚类中心。为了产生大致相同尺寸的超像素,格点的距离是$S=\sqrt{N/k}$。中心需要被移到3x3领域内的最低梯度处,这样做是为了避免超像素中心在边缘和噪声点上。

      接下来为每一个像素$i$设置最近的聚类中心,该聚类中心的搜索区域要覆盖该像素的位置。这是本算法加速的关键,因为通过限制搜索区域的大小减小了距离计算的数量,并且相对于传统的k-means聚类算法有显著的速度优势,因为后者的每个像素都必须和所有的聚类中心进行比较。一个超像素的预期空间范围是约为SxS的区域,这里对于相似像素的搜索是在超像素中心的2Sx2S区域完成。

      一旦每个像素被关联到最近的聚类中心后,就通过求聚类中心所有像素的均值来执行聚类中心的更新。使用$L_{2}$范数计算前一个聚类中心和当前聚类中心的残差。assignment和update步骤被重复迭代直到误差收敛,但是我们发现对于大多数图像10次迭代就够了。

    算法步骤

    1)通过在常规网格步长S处采样像素来初始化聚类中心

    2)在3x3的领域内移动聚类中心到最低的梯度位置

    3)为每一个像素$i$设置标签$l(i)$

    4)为每一个像素设置距离$d(i)=\infty$

    5)对于每一个聚类中心遍历2Sx2S区域内的每一个像素点,计算距离决定是否更新像素的标签和距离

    6)更新聚类中心

    7)重复步骤5)6)直到收敛

    posted @ 2018-06-21 17:24 mjl_cv 阅读(...) 评论(...) 编辑 收藏
    展开全文
  • 该代码中使用的算法是对 Achanta 等人提出的简单线性迭代聚类 (SLIC) 方法的修改。 (2012)。 我们的方法针对 MRI、CT 等医学图像进行了优化。我们的代码与传统 2D 和 3D 超像素相比的贡献如下: • 多模式输入(也...
  • 第15410号文件于2015年6月2日收到; 接受于2015年11月19日出版; 在线发布2015年12月22日
  • 图像模糊matlab代码Fuzzy SLIC (Precise superpixel number control version) with Matlab Interface的C实现 ...如果满足以下条件,则允许以源代码和二进制形式重新分发和使用,无论是否修改: 源代码的重新分发必须...
  • 将SLIC作者的源码中主要算法部分的代码提取出来,并用opencv输出处理图像,方便后续的程序的处理。
  • 论文中从算法效率,内存使用以及直观性比较了现有的几种超像素处理方法,并提出了一种更加实用,速度更快的算法——SLIC(simple linear iterative clustering),名字叫做简单线性迭代聚类。其实是从k-means算法...


    # -*- coding: utf-8 -*-
    """
    Created on Sun Sep 16 13:49:22 2018
    
    @author: Lenovo
    """
    
    # import the necessary packages
    from skimage.segmentation import slic
    from skimage.segmentation import mark_boundaries
    from skimage.util import img_as_float
    import matplotlib.pyplot as plt
    import numpy as np
    #import argparse
    import cv2
     
    # construct the argument parser and parse the arguments
    #ap = argparse.ArgumentParser()
    #ap.add_argument("-i", "--image", required = True, help = "Path to the image")
    #args = vars(ap.parse_args())
    
    # load the image and apply SLIC and extract (approximately)
    # the supplied number of segments
    image = cv2.imread('testbi.png')
    segments = slic(img_as_float(image), n_segments = 20, sigma = 10)
     
    # show the output of SLIC
    fig = plt.figure("Superpixels")
    ax = fig.add_subplot(1, 1, 1)
    ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), segments))
    plt.axis("off")
    plt.show()

    在超像素算法方面,SLIC Superpixels Compared to State-of-the-art Superpixel Methods这篇论文非常经典。论文中从算法效率,内存使用以及直观性比较了现有的几种超像素处理方法,并提出了一种更加实用,速度更快的算法——SLIC(simple linear iterative clustering),名字叫做简单的线性迭代聚类。其实是从k-means算法演化的,算法复杂度是O(n),只与图像的像素点数有关。

    这个算法突破性的地方有二:

    1. 限制聚类时搜索的区域(2Sx2S),这样将k-means算法的复杂度降为常数。整个算法的复杂度为线性。
    2. 计算距离时考虑LAB颜色和XY距离,5维。这样就把颜色和距离都考虑进去了。通过M可以调整颜色和距离的比重,灵活性强,超像素更加规则。

    SLIC算法原理

    整个算法的输入只有一个,即超像素的个数K。

    图片原有N个像素,要分割成K个像素,那么每个像素的大小是N/K。超像素之间的距离(即规则情况下超像素的边长)就是S=√N/K。

    我们的目标是使代价函数(cost function)最小。具体到本算法中,就是每个像素到所属的中心点的距离之和最小。

    首先,将K个超像素种子(也叫做聚类,即超像素的中心),均匀撒到图像的像素点上。

    一次迭代的第一步,对每个超像素的中心,2S范围内的所有像素点,判断他们是否属于这个超像素。这样之后,就缩短了像素点到超像素中心的距离。

    一次迭代的第二步,对每个超像素,将它的超像素中心移动到这个超像素的中点上。这样也缩短了像素点到超像素中心的距离。

    一般来说,迭代10是聚类效果和计算成本折中的次数。

    SLIC算法步骤

    1. 撒种子。将K个超像素中心分布到图像的像素点上。
    2. 微调种子的位置。以K为中心的3×3范围内,移动超像素中心到这9个点中梯度最小的点上。这样是为了避免超像素点落到噪点或者边界上。
    3. 初始化数据。取一个数组label保存每一个像素点属于哪个超像素。dis数组保存像素点到它属于的那个超像素中心的距离。
    4. 对每一个超像素中心x,它2S范围内的点:如果点到超像素中心x的距离(5维)小于这个点到它原来属于的超像素中心的距离,那么说明这个点属于超像素x。更新dis,更新label。
    5. 对每一个超像素中心,重新计算它的位置。
    6. 重复4 5 两步。
    展开全文
  • 迭代聚类, power iteration clustering, PIC 原理简介 Spark 代码 参数设置
  • 但是,大多数现有的降维方法最初都是为分类(例如线性判别分析)或恢复高维数据的几何结构(称为流形)(例如局部线性嵌入)而开发的,而不是为了聚类的目的而开发的。 因此,提出了一种新的基于谱正则化的降维非...
  • 因此,通过在所提出的特征空间中迭代地应用简单的K均值聚类,可以优化归一化切割的成本函数。LSC具有线性计算复杂性和高内存效率,并且能够保留图像的全局属性。实验结果表明,LSC在图像分割中的几种常用评估度量...
  • birch--利用层次方法的平衡迭代规约和聚类
  • 简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,提出的算法细胞分割准确率达到了92.72%,与经典...
  • 聚类

    2020-09-30 19:16:20
    文章目录聚类聚类的基本思想相似度/距离计算方法总结K-Means算法K-Means算法二分K-Means算法层次聚类方法密度聚类方法DBSCAN密度最大值算法谱和谱聚类 聚类 聚类的基本思想 聚类是一种无监督学习,是对大量未知标注...
  • 所提出的方法源自简单线性迭代聚类(SLIC)方法,该方法将聚类的全局搜索范围调整为局部区域。 结果,在聚类步骤中固有地并入了空间相关性和光谱相似性,这导致聚类过程的O(N)计算复杂度,其中N是图像中的像素数...
  • SLIC原理简介及VLFeat代码示例

    千次阅读 2016-10-20 23:25:27
    SLIC,即简单线性迭代聚类,是一种简单有效的图像分割方法,其本质是局部空间的K-means聚类。
  • 针对条件随机场(CRF)模型在参数估计及模型推断阶段时间复杂度较高的问题,引入简单线性迭代聚类(SLIC)的超像素方法,提出一种基于SLIC的条件随机场图像分割算法。该算法首先通过SLIC对图像进行预处理,将图像...
  • 该方法应用于IRIS数据集以进行非线性特征提取,聚类预测,最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习,使用贝叶斯信息准则(BIC)预测数据集中的聚类数,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 17,600
精华内容 7,040
关键字:

简单线性迭代聚类