SLIC超像素分割演算法研究（代碼可下載）

超像素概念是2003年Xiaofeng Ren[1]提出和發展起來的圖像分割技術，是指具有相似紋理、顏色、亮度等特徵的相鄰像素構成的有一定視覺意義的不規則像素塊。它利用像素之間特徵的相似性將像素分組,用少量的超像素代替大量的像素來表達圖片特徵,很大程度上降低了圖像後處理的複雜度，所以通常作為分割演算法的預處理步驟。已經廣泛用於圖像分割、姿勢估計、目標跟蹤、目標識別等計算機視覺應用[2]，而目前，OpenCV關於超像素生成，沒有發現網上有相關代碼，但其實在opencv_contrib目錄下面的未穩定功能模塊有SLIC，SEEDS，LSC演算法相關實現，如果想要使用這個目錄的功能，需要自己重新進行OpenCV的編譯[8]，有關編譯和配置方法可參考[8 ,9]。一些常用的超像素分割演算法和性能對比如下表[3]：

本文介紹SLIC（simple lineariterativeclustering）超像素分割演算法，即簡單的線性迭代聚類，該演算法是目前執行速度最快的超像素分割方法[3]，2015年實現並行執行速度達250FPS [4,5]。SLIC演算法是2010年Achanta[6]提出的一種思想簡單、實現方便的演算法，將彩色圖像轉化為CIELAB顏色空間和XY坐標下的5維特徵向量，然後對5維特徵向量構造距離度量標準，對圖像像素進行局部聚類的過程[2]，演算法基本思路與Kmeans聚類演算法類似。演算法具體實現過程如下[6,2]：

1. 初始化種子點（聚類中心）：按照設定的超像素個數，在圖像內均勻的分配種子點。假設圖片總共有 N 個像素點，預分割為 K 個相同尺寸的超像素，那麼每個超像素的大小為N/ K ，則相鄰種子點的距離（步長）近似為S=sqrt(N/K)。

2. 在種子點的n*n鄰域內重新選擇種子點（一般取n=3）。具體方法為：計算該鄰域內所有像素點的梯度值，將種子點移到該鄰域內梯度最小的地方。這樣做的目的是為了避免種子點落在梯度較大的輪廓邊界上，以免影響後續聚類效果。

3. 在每個種子點周圍的鄰域內為每個像素點分配類標籤（即屬於哪個聚類中心）。和標準的k-means在整張圖中搜索不同，SLIC的搜索範圍限制為2S*2S，可以加速演算法收斂，如下圖。在此注意一點：期望的超像素尺寸為S*S，但是搜索的範圍是2S*2S。

4. 距離度量。包括顏色距離和空間距離。對於每個搜索到的像素點，分別計算它和該種子點的距離。距離計算方法如下：

其中，dc代表顏色距離，ds代表空間距離，Ns是類內最大空間距離，定義為Ns=S=sqrt(N/K)，適用於每個聚類。最大的顏色距離Nc既隨圖片不同而不同，也隨聚類不同而不同，所以我們取一個固定常數m（取值範圍[1,40],一般取10）代替。最終的距離度量D"如下：

由於每個像素點都會被多個種子點搜索到，所以每個像素點都會有一個與周圍種子點的距離，取最小值對應的種子點作為該像素點的聚類中心。

5. 迭代優化。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生變化為止），實踐發現10次迭代對絕大部分圖片都可以得到較理想效果，所以一般迭代次數取10。

6. 增強連通性。經過上述迭代優化可能出現以下瑕疵：出現多連通情況、超像素尺寸過小，單個超像素被切割成多個不連續超像素等，這些情況可以通過增強連通性解決。主要思路是：新建一張標記表，表內元素均為-1，按照「Z」型走向（從左到右，從上到下順序）將不連續的超像素、尺寸過小超像素重新分配給鄰近的超像素，遍歷過的像素點分配給相應的標籤，直到所有點遍歷完畢為止。

SLIC演算法的代碼(C++和matlab版)可到該演算法發明人Achanta的頁面[7]下載，我們下載該代碼的C++windows版本，並編寫一個簡單圖像格式轉換函數，將SLIC超像素演算法與openCV一起實現了一個簡單的應用實例，因為SLIC演算法輸入必須是RGB彩色圖像，因此我們考慮了灰度圖像和彩色圖像兩種不同情況下的數據轉換，當輸入為灰度圖時，將該灰度圖像複製三次到其他色彩通道，主程序如下（代碼運行還需要從Achanta網站[7]下載的SLIC.cpp和SLIC.h文件，有關我們測試程序的所有代碼（包括了SLIC.cpp和SLIC.h文件）下載網站：http://download.csdn.net/detail/zhouxianen1987/9778247）：

[html] view plain copy

1. #if 1
2. #include

   <iostream>

3. #include

   <time.h>

4. #include "opencv2/opencv.hpp"
5. #include "SLIC.h"
6. using namespace std;
7. using namespace cv;
8. int imgOpenCV2SLIC(Mat img, int &height, int &width, int &dim, unsigned int * &image);
9. int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat &imgSLIC);
10. int main()
11. {
13. Mat imgRGB;
14. time_t tStart,tEnd,exeT;
16. imgRGB= imread("0_0_77rgb.jpg");
17. if (imgRGB.empty() == true){
18. cout

    <<

    "can not open rgb image!"

    <<endl

    ;
19. }
21. unsigned int *image;
23. int height;
24. int width;
25. int dim;
26. long imgSize;
28. int numlabels(0);
29. SLIC slic;
30. int m_spcount= 100 ;
31. int m_compactness=10;
32. imgOpenCV2SLIC(imgRGB, height, width, dim, image);//OpenCV 圖像數據轉換成SLIC圖像數據
33. imgSize = height* width;
34. int* labels = new int[imgSize];
36. tStart=clock();
37. //SLIC超像素分割，代碼下載網站：//ivrl.epfl.ch/research/superpixels#SLICO
38. slic.DoSuperpixelSegmentation_ForGivenNumberOfSuperpixels(image, width, height, labels, numlabels, m_spcount, m_compactness);
39. slic.DrawContoursAroundSegments(image, labels, width, height, 0);
41. tEnd=clock();
42. exeT=tEnd-tStart;
44. Mat imgSLIC;
46. imgSLIC2openCV(image, height,width,dim,imgSLIC);//SLIC結果：SLIC圖像數據轉換成OpenCV 圖像數據
49. //結果顯示
50. cout

    <<

    "SLIC執行時間exeT："

    <<exeT<<

    "毫秒"

    <<endl

    ;
51. imshow("imgRGB",imgRGB);
52. imshow("imgSLIC1",imgSLIC);
53. waitKey();
54. return 0;
56. }
59. //OpenCV Mat圖像數據轉換為SLIC圖像數據
60. //輸入：Mat img, int &height, int &width, int &dim,
61. //輸出：unsigned int * &image，同時返迴轉換是否成功的標誌：成功為0，識別為1
62. int imgOpenCV2SLIC(Mat img, int &height, int &width, int &dim, unsigned int * &image)
63. {
64. int error=0;
65. if( img.empty() ) //請一定檢查是否成功讀圖
66. {
67. error =1;
68. }
70. dim=img.channels();//圖像通道數目
71. height=img.rows;
72. width=img.cols;
74. int imgSize=width*height;
76. unsigned char *pImage = new unsigned char [imgSize*4];
77. if(dim==1){
78. for(int j = 0; j

    <

    height

    ; j++){

79. uchar * ptr = img.ptr

    <uchar>

    (j);
80. for(int i = 0; i

    <

    width

    ; i++) {
81. pImage[j * width*4 + 4*i+3] = 0;
82. pImage[j * width*4 + 4*i+2] = ptr[0];
83. pImage[j * width*4 + 4*i+1] = ptr[0];
84. pImage[j * width*4 + 4*i] = ptr[0];
85. ptr ++;
86. }
87. }
88. }
89. else{
90. if(dim==3){
91. for(int j = 0; j

    <

    height

    ; j++){
92. Vec3b * ptr = img.ptr

    <Vec3b>

    (j);
93. for(int i = 0; i

    <

    width

    ; i++) {
94. pImage[j * width*4 + 4*i+3] = 0;
95. pImage[j * width*4 + 4*i+2] = ptr[0][2];//R
96. pImage[j * width*4 + 4*i+1] = ptr[0][1];//G
97. pImage[j * width*4 + 4*i] = ptr[0][0];//B
98. ptr ++;
99. }
100. }
101. }
102. else error=1;
104. }
106. image = new unsigned int[imgSize];
107. memcpy( image, (unsigned int*)pImage, imgSize*sizeof(unsigned int) );
108. delete pImage;
110. return error;
112. }
115. //SLIC圖像數據轉換為OpenCV Mat圖像數據
116. //輸入：unsigned int *image, int height, int width, int dim
117. //輸出：Mat &imgSLIC ，同時返迴轉換是否成功的標誌：成功為0，識別為1
118. int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat &imgSLIC)
119. {
120. int error=0;//轉換是否成功的標誌：成功為0，識別為1
122. if(dim==1){
123. imgSLIC.create(height, width, CV_8UC1);
124. //遍歷所有像素，並設置像素值
125. for( int j = 0; j

     <

     height

     ; ++j)

126. {
127. //獲取第 i行首像素指針
128. uchar * p = imgSLIC.ptr

     <uchar>

     (j);
129. //對第 i行的每個像素(byte)操作
130. for( int i = 0; i

     <

     width

     ; ++i )
131. p[i] =(unsigned char)(image[j*width+i]& 0xFF) ;
132. }
133. }
134. else{
135. if(dim==3){
136. imgSLIC.create(height, width, CV_8UC3);
137. //遍歷所有像素，並設置像素值
138. for( int j = 0; j

     <

     height

     ; ++j)
139. {
140. //獲取第 i行首像素指針
141. Vec3b * p = imgSLIC.ptr

     <Vec3b>

     (j);
142. for( int i = 0; i

     <

     width

     ; ++i )
143. {
144. p[i][0] = (unsigned char)(image[j*width+i] & 0xFF ); //Blue
145. p[i][1] = (unsigned char)((image[j*width+i]

     >>

     8 ) & 0xFF ); //Green
146. p[i][2] = (unsigned char)((image[j*width+i]

     >>

     16) & 0xFF ) ; //Red

147. }
148. }
149. }
150. else error= 1 ;
152. }
154. return error;
155. }
157. #endif

執行效果如下：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！