[人工智能]SLIC算法

基础知识

在介绍SLIC之前，先来介绍以下Lab颜色空间的介绍。

Lab色彩模型是由亮度(L)要素和与有关色彩的a,b要素组成，L的值由0(黑色)到100(白色)，a表示从洋红色至绿色的范围(a为负值表示绿色而正值表示品红)，b表示从黄色至蓝色的范围(b为负值表示蓝色而正值表示黄色)。

Lab颜色空间的优点：
1）不像RGB和CMYK色彩空间，Lab颜色被设计来接近人类生理视觉。它致力于感知均匀性，它的L分量密切匹配人类亮度感知。因此可以被用来通过修改a和b分量的输出色阶来做精确的颜色平衡，或使用L分量来调整亮度对比。这些变换在RGB或CMYK种是困难的或不可能的。
2）色域宽广。它不仅包含了RGB、CMYK的所有色域，还能表现他们不能表现得色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。另外，Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。
3）Lab空间内的很多“颜色”超出了人类视觉的视域，因此纯粹是假想的；这些“颜色”不能在物理世界中再生。通过颜色管理软件，比如内置于图象编辑应用程序中的那些软件，可以选择最接近的色域内近似，在处理中变换亮度、彩度甚至色相。Dan Margulis称，在图象操作的多个步骤之间使用假想色是很有用的。

算法思想

SLIC算法时simple linear iterative cluster的简称，主要是将图像从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[I,a,b,x,y]，两个像素的相似性即可由他们的向量距离来度量，距离越大，相似性越小。

该算法与K-means聚类算法思路类似，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，所有像素都归类完重新得到K个超像素，更新聚类中心，在此迭代，如此反复直到收敛。

具体算法步骤

1.初始化聚类中心：按照预先设定的超像素个数，在图像内均匀的分配聚类中心。如果图像有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，则相邻聚类中心的距离（步长）近似为 S = sqrt(N/K)；
2.在聚类中心的n×n邻域内重新选择聚类中心(一般n取3)。具体方法为：计算该邻域内所有像素点的梯度值，将聚类中心移动到该邻域内梯度最小的地方。这样做的目的是为了避免中心点落在梯度较大1的轮廓边界上，以免影响后续聚类效果；
3.在每个聚类中心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)。（期望的超像素尺寸为S×S,但其搜索范围为2S×2S)；
4.计算搜索点到聚类中心的距离度量（包括颜色距离和空间距离）；

其中，d$c$代表颜色距离，d$s$代表空间距离，N$s$是类内最大空间距离，定义N$s$=sqrt(N/K),适用于每个聚类，最大颜色距离N$c$随图片不同而不同，也随聚类不同而不同，所以一般取一个固定常数(取值范围[1-40]，一般取10)代替。最终的距离测度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.直到每个像素点聚类中心不再发生变化停止迭代(实践发现10次迭代绝大部分图片都可以得到较理想效果)；
6.增强连通性：经过上述迭代优化可能会出现出现多连通、超像素尺寸过小，单个超像素被切割为多个不连续超像素等等问题，而这些情况可以通过增强连通性来解决。主要思路在于: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临近的超像素，遍历果的像素点分配给相应的标签，直到所有点遍历完毕为止。

SLIC主要优点

1）生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。
2）不仅可以分割彩色图，也可以兼容分割灰度图。
3）需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。
4）相比其他的超像素分割方法，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。

以下是论文中的效果图

自己实现的效果图：