超像素—学习笔记

原创最新推荐文章于 2026-03-13 00:40:09 发布 3.3w 阅读 AI写同款

studyeboy

码龄15年墨衍会员 · AI 创作全网分发

365粉丝329篇原创

关注

超像素(superpixel)——SLIC和深度学习法用简单的语言描述超像素的形成原理，提供传统法SLIC和深度学习法学习超像素的具体数学过程和核心代码阅读详情

AI摘要

本文深入解析超像素技术，探讨其概念、判别条件与初始化方法，重点介绍SLIC算法的原理与步骤，以及其在图像处理中的优势。超像素作为图像处理的重要预处理手段，能够有效降低图像处理复杂度。

文章目录

参考资料

概念

超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。

超像素是吧一幅像素级（pixel-level）的图，划分成区域级（district-level）的图，是对基本信息元素进行的抽象。

（a）是原始图像，（b）是基于人类视角的分割图（groundtruth），（c）是超像素分割的图像，（d）是基于（c）进行分割的图像。

超像素最大的功能之一是作为图像处理其他算法的预处理，在不牺牲太大精确度的情况下降维。
超像素最直观的解释是把一些具有相似特性的像素“聚合”起来，形成一个更具有代表性的大“元素”。而这个新元素，将作为其他图像处理算法的基本单位。这样可以降低维度，剔除一些异常像素点。
理论上，任何图像分割算法的过度分割（over-segmentation）即可生成超像素。

图像分割中的超像素是指具有相似纹理、颜色、亮度等特征的相邻相似构成的具有一定意义的不规则的像素块。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像特征，很大程度上降低了图像处理的复杂度，所以通常作为分割算法的预处理步骤。

超像素判别条件

Undersegmentation Error

如上图所示，白色是图像中的一个物体，红线是一个个超像素的轮廓，而粉红色的区域就是undersegmentation区域，这部分区域越大越不好。
Boundary Recall

如上图所示，黑色虚线及实线是图像中物体的轮廓，红线是超像素的边界。一个好的超像素算法，应该覆盖图像中物体的轮廓。在给予一定缓冲（粉红色区域）的情况下，超像素边缘可以覆盖图像物体边缘（黑色实线）越多越好。
Compactness score
衡量超像素是否“紧实”。

超像素初始化的方法

种子像素初始化
SLIC利用了简单的聚类（贪婪）算法，初始时，每一个聚类的中心被平均的分布在图像中，而超像素的个数，可以基本由这些中心点来决定。每一步迭代，种子像素合并周围的像素，形成超像素。
矩形区域初始化
SEEDS的初始化是把图像平均分割成很多矩形，初始超像素即为这些矩形。每一步迭代，超像素的边缘不断变化，直到汇合。

超像素算法

在这里插入图片描述

SLIC算法

SLIC（simple linear iterative clustering），即简单的线性迭代聚类。它是2010年提出的一种思想简单、实现方便的算法，将彩色图像转换为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。SLIC算法能生成紧凑近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。

SLIC优点：

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。这样基于像素方法可以比较容易的改造为基于超像素的方法。
不仅可以分割彩色图像，也可以兼容分割灰度图。
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。
相比其他的超像素的分割方法，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。

算法步骤：

初始化种子点（聚类中心）：按照设定的超像素的个数，在图像内均匀的分配种子点。假设图像总共有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)。
在种子点的n*n领域内重新选择种子点（一般取n=3）：计算该领域内所有像素点的梯度值，将种子点移到该领域内梯度最小的地方。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。
在每个种子点周围的领域内为每个像素点分配类别标签（即属于哪个聚类中心）：SLIC的搜索范围是2S2S，期望的超像素尺寸为SS，这样可以加速算法收敛。
距离度量：包括颜色距离和空间距离。对每个搜索到的像素点，分别计算它和该种子点的距离。

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，定义为 $N_{s}=S=sqrt(N/K)$ ，适用于每个聚类。最大的颜色距离 $N_{c}$ 既随图像不同而不同个，也随聚类不同而不同，所以取一个固定常数m（取值范围[1,40]，一般取10）代替，最终的聚类度量如下：

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。
迭代优化：理论上上述步骤不断迭代知道误差收敛（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。
增强连通性：解决经过迭代后出现的多连通情况、超像素尺寸过小、单个超像素被切割成多个不连续超像素的情况。具体步骤为：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，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。