Entropy Rate Superpixel Segmentation
Matlab/Mex
http://www.umiacs.umd.edu/~mingyliu/research.html
Recovering Human Body Configurations: Combining Segmentation and Recognition
Matlab/Mex
http://www.cs.sfu.ca/~mori/research/superpixels/
SLIC Superpixels Compared to State-of-the-art Superpixel Methods
C++
http://ivrg.epfl.ch/supplementary_material/RK_SLICSuperpixels/index.html
转载于:https://www.cnblogs.com/guoqiaojin/archive/2012/07/16/2593536.html
标题 SLIC superpixel算法 作者 YangZheng 联系方式 263693992 SLIC算法是simple linear iterative cluster的简称，该算法用来生成超像素（superpixel）。
基本思想
算法大致思想是这样的，将图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个像素的（L，a，b）颜色值和（x，y）坐标组成一个5维向量V[l, a, b, x, y],两个像素的相似性即可由它们的向量距离来度量，距离越大，相似性越小。
算法首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛。怎么样，是不是感觉很像K-means聚类算法。
该算法接受一个参数K，用于指定生成的超像素数目。设原图有N个像素，则分割后每块超像素大致有N/K个像素，每块超像素的边长大致为S=[N/K]^0.5，开始我们每隔S个像素取一个聚类中心，然后以这个聚类中心的周围2S*2S为其搜索空间，与其最为相似的若干点即在此空间中搜寻。这里有一个问题，为了避免所选的聚类中心是边缘和噪声这样的不合理点，算法做了改进， 在3*3的窗口中将聚类中心移动到梯度最小的区域，梯度定义为：
这样就可以避免上面所说的情况。
最后可能出现一些小的区域d被标记为归属某一块超像素但却与这块超像素没有连接，这就需要把这块小区域d重新归类为与这块小区域d连接的最大的超像素中去，以保证每块超像素的完整。
算法详解
1 初始化聚类中心
初始化聚类中心，因为算法给定了距离，所以算法的初始中心为所划分区域的中心，即根据所给定的数量，划定所属类别的初始地区，如下图红框所示:
现在我们要将N为9的9*9的图像划分成为k为4的4个大小接近的超像素，做法就是首先以步距为
的距离划分超像素，然后将中心位置的结点为超像素的中心结点。设置中心像素的时候论文还进行了进一步的处理，即在中心结点的3*3领域内选取梯度最小的点作为初始超像素的中心结点，也就是下图中分别取黄色区域中梯度最小的点作为中心结点，好处是可以避免将超像素定位在边缘上，并且减少用噪声像素接种超像素的机会。不过官网上给出的matlab代码和下面要分析的南开大学给出的源码并没有进行这一步操作。个人觉得进行这步操作效果会得到改善，不过改善效果有限，有没有这一步影响不大，一个像素的间距对像素颜色的影响有限。
2 计算距离，跟新质心
其中m表示空间和像素颜色的相对重要性的度量。当m大时，空间邻近性更重要，并且所得到的超像素更紧凑（即它们具有更低的面积与周长比）。当m小时，所得到的超像素更紧密地粘附到图像边界，但是具有较小的规则尺寸和形状。当使用CIELAB色彩空间时，m可以在[1,40]的范围内。
第二个比较新颖的地方是计算距离的时候作者与传统的采用Kmeans进行分割的算法不同，并不是对整个空间的所有像素进行计算，而是限定了区域，区域大小为2S，即寻找时以初始聚类中心为寻找中心，确定一个2S*2S的矩形，如下图所示:
图1：减少超像素搜索区域。SLIC的复杂性在图像O（N）中的像素数目中是线性的，而常规的k均值算法是O（kNI），其中I是迭代次数。这在分配步骤中提供了每个聚类中心的搜索空间。（a）在常规k均值算法中，从每个聚类中心到图像中的每个像素计算距离。（b）SLIC仅计算从每个聚类中心到2S×2S区域内的像素的距离。注意，期望的超像素大小仅为S×S，由较小的正方形表示。这种方法不仅减少了距离计算，而且使得SLIC的复杂性与超像素的数量无关。
好处是显而易见的，限制搜索区域的大小显着地减少了距离计算的数量，这样可以极大的加快速度，可以将算法控制为线性复杂度。
接着便是对kMeans算法进行迭代，直到算法收敛或迭代次数大于某一个值，根据论文大部分图像在迭代次数为10以内，具体迭代思路如下:
3 合并孤立点
采用连通分量算法进行进一步的处理，这一步是我一开始不太明白的地方，不太懂什么是孤立的结点。直到我调试代码才明白，即迭代完成后有可能产生如下图所示的形状，图中的黄色方框所框出的结点也就是所谓的孤立点，为了使分割效果更好，我们通常不希望存在这种结点，于是可以采用连通分量进行下一步地修正。
图中的绿框为类别2的搜索范围，所以有可能产生图中黄色框中的孤立结点
作者采用的连通分量的概念来解决这个问题，简单说来就是，根据4邻域连通或8邻域连通(代码采用的是4邻域的连接方式)的连通算法，则图中的黄色方框皆为一个联通分量，判断这个联通分量的面积，如果面积过小，则将联通分量的分类分给最近的类别，即左上角的两个2分为1，左下角分为3，右下角分为4(具体的实现可以参看代码)。
图解算法
实现代码
https://github.com/csjy309450/SLIC-Superpixels
参考资料：
转载于:https://www.cnblogs.com/supersponge/p/6546082.html
知乎上对superpixel的讲解还不错:https://www.zhihu.com/question/27623988
superpixel的算法有很多,opencv中也包含了很多,我找了一个比较经典的:SLIC
这是跑的github上的一个superpixel的例子:https://github.com/np-csu/SLIC-superpixel-with-OpenCV\
mkdir build,cd build,cmake ../,make就可以了
1._ASSERT( y < m_height && x < m_width && y >= 0 && x >= 0 );
_ASSERT(klabels[j] >= 0);
这两个行都注释掉
2.在char fname[_MAX_FNAME];前加int _MAX_FNAME = 1000; 因为没声明赋值这个变量
3._splitpath(filename.c_str(), NULL, NULL, fname, extn);注释掉
demo.cpp
4.img = imread("..\\sample_image\\bird.jpg");加cv::
5.sprintf_s(result_name, 128, "..\\result_image\\result_%d.jpg", numSuperpixel);注释掉
其他要改的就是在demo.cpp中改成你要处理的图片,跑程序直接使用build里面的./demo就可以了
但整体跑出来的效果不是特别好
http://ttic.uchicago.edu/%7Exren/research/superpixel/ 这个网址的superpixel的效果很不错,也有代码,但用edge跑出来的结果相当不错,就没去跑这个了
https://www.cs.sfu.ca/%7Emori/research/superpixels/这个的效果也很好,也有代码
感想:超像素在一些点云的文章中也有提及,以后可以继续关注一下.SLIC这种搜索方式的算法,我觉得还是可以在之后的求上边缘中继续用到,可以继续关注一下.
转载于:https://www.cnblogs.com/ymjyqsx/p/9036179.html
Superpixel
(2012-05-17 08:38:10)
转载