SLIC算法

• 求点群中心的算法 • 1）Minkowski Distance公式——λ可以随意取值，可以是负数， 也可以是正数，或是无穷大。
• 2）Euclidean Distance公式——也就是第一个公式λ=2的情况 • 3）CityBlock Distance公式——也就是第一个公式λ=1的情况
• 这三个公式的求中心点有一些不一样的地方，我们看下图（对 于第一个λ在0-1之间）。
• • • • 4. 距离度量： 颜色距离和空间距离 dc代表颜色距离 ds代表空间距离
• • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •
%迭代聚类处理 t1=clock; move=99999; for c=1:die %进行迭代die次 if move<10 break; end move=0; c1=zeros(ct); ct_x=zeros(ct); ct_y=zeros(ct); ct_l=zeros(ct); ct_a=zeros(ct); ct_b=zeros(ct); for i=1:ct for u=center(i,4)-s:center(i,4)+s if(u>=1)&&(u<=x(1)) for v=center(i,5)-s:center(i,5)+s if(v>=1)&&(v<=x(2)) dc=((lab_he(u,v,1)-center(i,1))^2+(lab_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;%计算距离 if d<dist(u,v) dist(u,v)=d; belong(u,v)=i; move=move+1; end end end end end end
SLIC算法：
• • • • • 2. 在种子点的3*3邻域内重新选择种子点： 计算该邻域内所有像素点的梯度值 将种子点移到该邻域内梯度最小的地方 避免种子点落在噪声点上 3. 在每个种子点周围的邻域内为每个像素 点分配类标签： • SLIC的搜索范围限制为2S*2S • 加速算法收敛
SLIC算法：
SLIC算法：
• 1. 初始化种子点（聚类中心）：按照设定 的超像素个数，在图像内均匀的分配种子 点。 • 图片总共有 N 个像素点 • 预分割为 K 个相同尺寸的超像素 • 每个超像素的大小为N/ K
• 相邻种子点的距离（步长）近似为 S=sqrt(N/K)
• %初始中心节点center • for i=1:r • for j=1:w • if (i<r) • x1=(i-1)*s+fix(s/2); • else • x1=(i-1)*s+fix(rem(x(1),s)/2); • end • if (j<w) • 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(:,:,3) x1 y1];%初始中心节 点center • end • end
SLIC算法：
• 5、移动聚类中心： • 即迭代优化
• 理论上上述步骤不断迭代直到误差收敛 （可以理解为每个像素点聚类中心不再发 生变化为止），实践发现10次迭代对绝大 部分图片都可以得到较理想效果，所以一 般迭代次数取10。 • 6. 增强连通性：
• 不连续的超像素、尺寸过小超像素重新分 配给邻近的超像素
• Lab色彩模型是由亮度（L）和有关色彩的a, b三个要 素组成。L表示亮度（Luminosity），L的值域由0（黑 色）到100（白色）
• SLIC(简单线性迭代聚类)是一种通过利用像素 的颜色相似度和图像片面空间对像素进行聚类， 从而有效的生成紧凑的几乎统一化的超像素的 分割方法。SLIC分割方法使用简单，只需给定 需要得到的超像素的数量即可，且运行速度快， 只需要线性的运行时间和存储空间。SLIC分割 方法生成的超像素具有较好的紧凑性和边界贴 合度，超像素大小一致且形状均匀。 • 我们的方法(SLIC)是在五维空间labxy中来实现 的，其中lab为CIELAB色彩空间中的像素颜色矢 量，被认为是小颜色距离感知统一，xy是像素 点的位置。在CIELAB空间中两种颜色的最大可 能距离受到限制，在xy平面上空间距离取决于 图像大小。
• • • • • • • • • • • • • • • • • • • •
clc clear %读取图像，预处理 he=imread('1.jpg');%读取图像 cform=makecform('srgb2lab');%图像由RGB转为lab lab_he=applycform(he,cform);% lab_he=double(lab_he);%设置初值 color=[255,255,255]; thre=0.02;%最终生成分割图像梯度阈值 m=40;%权值 k=1;%划分为300个簇 die=20;%kmeans迭代die次 x=size(he);s=(x(1)*x(2)/k)^0.5;s=ceil(s);%初始分割网格间距s r=ceil(x(1)/s);%网格行数r w=ceil(x(2)/s);%网格列数w ct=r*w; belong=ones(x(1),x(2)); center=zeros(ct,5); %初始每个像素点的距离 dist=9999*ones(x(1),x(2));
• K-Means++算法：
• K-Means主要有两个最重大的缺陷——都和初始值有关： • K是事先给定的，这个K值的选定是非常难以估计的。很多时候， 事先并不知道给定的数据集应该分成多少个类别才最合适。 （ISODATA算法通过类的自动合并和分裂，得到较为合理的类型数 目 K） • K-Means算法需要用初始随机种子点来搞，不同的随机种子点会有 得到完全不同的结果。（K-Means++算法可以用来解决这个问题， 其可以有效地选择初始点） • 我在这里重点说一下K-Means++算法步骤： • 先从我们的数据库随机挑个随机点当“种子点”。 • 对于每个点，我们都计算其和最近的一个“种子点”的距离D(x)并 保存在一个数组里，然后把这些距离加起来得到Sum(D(x))。 • 然后，再取一个随机值，用权重的方式来取计算下一个“种子 点”。这个算法的实现是，先取一个能落在Sum(D(x))中的随机值 Random，然后用Random -= D(x)，直到其<=0，此时的点就是下一 个“种子点”。 • 重复第（2）和第（3）步直到所有的K个种子点都被选出来。 • 进行K-Means算法。
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 elseif ((i+1)<=x(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=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(i,j) hehe(i,j,1)=color(1); hehe(i,j,2)=color(2); hehe(i,j,3)=color(3); b=1; end
图像分割算法
•
图像分割是指把图像分解成各具特性的区域 并提取出感兴趣目标的技术和过程， 它是计算机 视觉领域的一个重要而且基本的问题， 分割结果 的好坏将直接影响到视觉系统的性能。
• 图像分割的要求：
• a．高分辨率、速度高：图像处理技术发展的最终目 标是要实现图像的实时处理， • 这在移动目标的生成、识别和跟踪上有着重要意义； • b．立体化：立体化包括的信息量最为丰富和完整， 未来采用数字全息技术将有助 • 于达到这个目的； • c．智能化:其目的是实现图像的智能生成、处理、识 别和理解。
超像素及其优势：
• 所谓的“超像素”，就是指许多相似的像素点组合在一 起，作为一个整体来处理，这个整体就称之为超像素。像素并 不是人类视觉的着重点，因为人类获得图像是从许多的像素点 的组合的一个区域而来的，单一的某个像素点并不具有什么意 义，只有在组合在一起对人类而言才有意义。
•
SLIC（简单线性、迭代聚类）算法在由CIELAB色彩空 间中的L，a,b值和x,y坐标像素所构成的五维空间中执行一 个局部的像素点聚合。一种新的距离度量能够实现超像素 形状的紧凑、有规则，并能够无缝隙的包含灰度及彩色图 像。SLIC实现起来比较简单,容易在实践中应用——唯一的 参数指定所需超像素点的数量。
• • • • • • • • • • • • • • • • • • • • • • • • •
%去坏点 for i=1:ct bw=zeros(x(1),x(2)); for k=1:x(1) for g=1:x(2) if belong(k,g)==i bw(k,g)=1; end end end [L, num] = bwlabel(bw, 4);%查找连通的点 for k=1:num [rr, cc] = find(L==k); c1=size(rr); if c1(1)>0&&c1(1)<100 for g=1:c1(1) if rr(1)-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<=x(1) belong(rr(g),cc(g))=belong(rr(1)+1,cc(1)); end
Байду номын сангаас
K-means算法：
K-Means的算法如下： 1.随机在图中取K（这里K=2）个种子点。 2.然后对图中的所有点求到这K个种子点的距离，假如点Pi离 种子点Si最近，那么Pi属于Si点群。（图中，我们可以看到A， B属于上面的种子点，C，D，E属于下面中部的种子点） 3.接下来，我们要移动种子点到属于他的“点群”的中心。 （见图上的第三步） 4.然后重复第2）和第3） 步，直到种子点没 有移动，一般迭代十 次即可。
if ((i-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=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