SLIC超像素分割算法研究（代码可下载）

超像素概念是2003年Xiaofeng Ren[1]提出和发展起来的图像分割技术，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用[2]，而目前，OpenCV关于超像素生成，没有发现网上有相关代码，但其实在opencv_contrib目录下面的未稳定功能模块有SLIC，SEEDS，LSC算法相关实现，如果想要使用这个目录的功能，需要自己重新进行OpenCV的编译[8]，有关编译和配置方法可参考[8 ,9]。一些常用的超像素分割算法和性能对比如下表[3]：

本文介绍SLIC（simple lineariterativeclustering）超像素分割算法，即简单的线性迭代聚类，该算法是目前执行速度最快的超像素分割方法[3]，2015年实现并行执行速度达250FPS [4,5]。SLIC算法是2010年Achanta[6]提出的一种思想简单、实现方便的算法，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程[2]，算法基本思路与Kmeans聚类算法类似。算法具体实现过程如下[6,2]：

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。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。

2. 在种子点的n*n邻域内重新选择种子点（一般取n=3）。具体方法为：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。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。

3. 在每个种子点周围的邻域内为每个像素点分配类标签（即属于哪个聚类中心）。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为S*S，但是搜索的范围是2S*2S。

4. 距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法如下：

其中，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns=S=sqrt(N/K)，适用于每个聚类。最大的颜色距离Nc既随图片不同而不同，也随聚类不同而不同，所以我们取一个固定常数m（取值范围[1,40],一般取10）代替。最终的距离度量D'如下：

由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。

5. 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。经过上述迭代优化可能出现以下瑕疵：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决。主要思路是：新建一张标记表，表内元素均为-1，按照“Z”型走向（从左到右，从上到下顺序）将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。

SLIC算法的代码(C++和matlab版)可到该算法发明人Achanta的页面[7]下载，我们下载该代码的C++windows版本，并编写一个简单图像格式转换函数，将SLIC超像素算法与openCV一起实现了一个简单的应用实例，因为SLIC算法输入必须是RGB彩色图像，因此我们考虑了灰度图像和彩色图像两种不同情况下的数据转换，当输入为灰度图时，将该灰度图像复制三次到其他色彩通道，主程序如下（代码运行还需要从Achanta网站[7]下载的SLIC.cpp和SLIC.h文件，有关我们测试程序的所有代码（包括了SLIC.cpp和SLIC.h文件）下载网站：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 图像数据转换成SLIC图像数据
33. imgSize = height* width;
34. int* labels = new int[imgSize];
36. tStart=clock();
37. //SLIC超像素分割，代码下载网站：http://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结果：SLIC图像数据转换成OpenCV 图像数据
49. //结果显示
50. cout<<"SLIC执行时间exeT："<<exeT<<"毫秒"<<endl;
51. imshow("imgRGB",imgRGB);
52. imshow("imgSLIC1",imgSLIC);
53. waitKey();
54. return 0;
56. }
59. //OpenCV Mat图像数据转换为SLIC图像数据
60. //输入：Mat img, int &height, int &width, int &dim,
61. //输出：unsigned int * &image，同时返回转换是否成功的标志：成功为0，识别为1
62. int imgOpenCV2SLIC(Mat img, int &height, int &width, int &dim, unsigned int * &image)
63. {
64. int error=0;
65. if( img.empty() ) //请一定检查是否成功读图
66. {
67. error =1;
68. }
70. dim=img.channels();//图像通道数目
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图像数据转换为OpenCV Mat图像数据
116. //输入：unsigned int *image, int height, int width, int dim
117. //输出：Mat &imgSLIC ，同时返回转换是否成功的标志：成功为0，识别为1
118. int imgSLIC2openCV(unsigned int *image, int height, int width, int dim, Mat &imgSLIC)
119. {
120. int error=0;//转换是否成功的标志：成功为0，识别为1
122. if(dim==1){
123. imgSLIC.create(height, width, CV_8UC1);
124. //遍历所有像素，并设置像素值
125. for( int j = 0; j< height; ++j)
126. {
127. //获取第 i行首像素指针
128. uchar * p = imgSLIC.ptr<uchar>(j);
129. //对第 i行的每个像素(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. //遍历所有像素，并设置像素值
138. for( int j = 0; j < height; ++j)
139. {
140. //获取第 i行首像素指针
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

执行效果如下：