SLIC Superpixels Compared to State-of-the-Art Superpixel Methods

SLIC超像素与前沿超像素方法的比较

写在西元前

这篇文献最初我转载了别人的一个翻译，但是转载过来发现一些地方显示不全，而且很多地方仅仅是一个翻译，没有作者自己的想法及评价。我无意冒犯翻译过这篇文献的作者，我只是提醒自己要有自己的观点，无论对错与否。记得电影《心灵捕手》里讽刺了一个拿着别人观点到处显摆的大学生，显然这篇文献不是我写的终归还是别人的观点，重要的是，我要求自己要对这篇文献有自己的理解，关键地方要做出自己的评价，这很重要！我在给导师的学习月报表中提到了该文献，导师指定我在组会上做一个分享，故我有对该文献做了一个ppt，有需求的可以发送邮件至jzwangATbjtuDOTeduDOTcn索取，任何问题也可以邮件讨论交流。

摘要

这篇文献主要干了两件事情，其一是作者用kmeans的思想提出了一个图像分割的方法SLIC，其二是与其它先进的图像分割方法进行了一个比较，一切正如作者标题而言。对于许多刚刚接触到计算机视觉的童鞋而言（说起来感觉我很熟悉似的

），标题里的superpixel是什么东东？我个人理解是，这里的superpixel超像素有点像计算机视觉里的另一个概念，patch，也就是图像块。一般我们说patch多是指的是对图像的方方正正的分割，按照一指定步长和指定块大小对图像重叠取块、非重叠取块等。而这里的superpixel也是对图像进行了分割取块，只不过这里的superpixel更多地是沿着图像的脉络进行分割，二者的区别我给出一个示意图一看就明白了，用我自己的照片做一个例子。

简介

什么样子是一个好的分割有助于现实应用？这是一个很难回答的问题，但基本上，好的分割应该满足下面的三条性质：
1、分割能贴紧物体轮廓，也就是对边界有很好的拟合。见上图右图，我照片的墨镜和T恤上的商标是最明显的例子，显然SLIC能很好的满足这一点；
2、分割图像成小块经常作为图像预处理，超像素生成应该是快速的、存储高效和简单易用；
3、真正用来分割的时候能提高速度和最终分割的质量。
这篇文献里提到的其它分割方法我不做过多说明，着重介绍SLIC方法。

算法

SLIC沿袭kmeans的套路，翻译过来叫做简单线性迭代聚类，基本上就把算法的优点说清楚了，这个名字起的真好。算法整体是相对较容易理解的，我个人感觉唯独算法初始化的时候可能会有一丢丢的理解困难。先说两大创新，再配以图例解释不好理解的地方。
创新1：根据超像素的大小来限制搜索区域，省去不必要的距离计算操作。回忆一下kmeans算法，每次迭代中当前数据点需要计算到所有聚类中心的距离然后归类到距离自身最近的聚类中心，而该文限制了搜索区域导致每个数据点仅属于几个（<8）聚类中心，大大降低了计算量；
创新2：结合颜色和空间两种度量，来控制超像素的大小和紧密度。
贴一下算法流程图：



初始化是怎么一回事？其实作者希望分割的每个超像素尽可能地大小差不多，比如说有一个10*20的图像，我想分成8个超像素，这时候我就先均匀分割，每个超像素由25个像素，为5*5的初始块，然后将最初的聚类中心放在梯度最小的地方避免聚类中心选在边界上，同时降低聚类起始点选在噪声像素点的几率。如下图：



这里捋清楚了，基本上就没有什么难度了。在每次迭代中我只搜索距离当前聚类中心2S距离的像素点，如上图我就搜索距离当前聚类中心10个像素点以内的像素计算距离。这里还涉及了距离的度量问题。文章将颜色距离和空间距离两种度量整合在一起作为最终的距离度量。CIELAB三维颜色和二维空间组合在一起，如果简单地定义五维欧式距离，会导致什么问题？对于比较大的超像素，空间距离比颜色距离重要，应该给予较大的权重，导致超像素在边缘贴合上不是很好（如何理解？）小像素正好相反。
后处理之类的就不提了！

边缘召回率：至少落在超像素边缘2个像素范围内的像素占真值边缘的比例。