超像素分割算法SLIC的matlab实现

SLIC是一种基于网格化KMeans聚类的超像素分割算法，其计算复杂度为O(N)，其中N为像素点个数。SLIC的原理比较简单精致，具体的原理我这里就不介绍了，推荐大家自己去读原始论文加深理解（但我以为看下面这个算法流程图就足够理解原理了）。SLIC的算法流程如下：

如所有其他聚类算法一样，SLIC不能保证连通性，所以需要后处理将旁生的连通域合并到邻近的主连通域上，但是论文中并未给出具体的后处理方法。我给出的方法是按照轮廓接触点个数最多原则合并连通域。由于每个聚类都有自己的“势力范围”，即每个标签覆盖的区域不会超过聚类时限定的范围（一般是2S*2S大小，边缘栅格的聚类例外），所以合并处理时只需要在该范围内操作即可。

下面给出本人实现的SLIC算法程序（控制色域与空域权重比例的系数wDs应设为函数形参，这里就不改了。注意！迭代中限定聚类的栅格是不变的！！！）：

function Label=SLIC(img,s,errTh,wDs) % 基于KMeans的超像素分割 % img为输入图像，维度不限，最大值为255 % s x s为超像素尺寸 % errTh为控制迭代结束的联合向量残差上限 m=size(img,1); n=size(img,2); %% 计算栅格顶点与中心的坐标 h=floor(m/s); w=floor(n/s); rowR=floor((m-h*s)/2); %多余部分首尾均分 colR=floor((n-w*s)/2); rowStart=(rowR+1):s:(m-s+1); rowStart(1)=1; rowEnd=rowStart+s; rowEnd(1)=rowR+s; rowEnd(end)=m; colStart=(colR+1):s:(n-s+1); colStart(1)=1; colEnd=colStart+s; colEnd(1)=colR+s; colEnd(end)=n; rowC=floor((rowStart+rowEnd-1)/2); colC=floor((colStart+colEnd-1)/2); % 显示划分结果 temp=zeros(m,n); temp(rowStart,:)=1; temp(:,colStart)=1; for i=1:h for j=1:w temp(rowC(i),colC(j))=1; end end figure,imshow(temp); imwrite(temp,'栅格.bmp'); %% 计算梯度图像，使用sobel算子和欧式距离 img=double(img)/255; r=img(:,:,1); g=img(:,:,2); b=img(:,:,3); Y=0.299 * r + 0.587 * g + 0.114 * b; f1=fspecial('sobel'); f2=f1'; gx=imfilter(Y,f1); gy=imfilter(Y,f2); G=sqrt(gx.^2+gy.^2); %% 选择栅格中心点3*3邻域中梯度最小点作为起始点 rowC_std=repmat(rowC',[1,w]); colC_std=repmat(colC,[h,1]); rowC=rowC_std; colC=colC_std; for i=1:h for j=1:w block=G(rowC(i,j)-1:rowC(i,j)+1,colC(i,j)-1:colC(i,j)+1); [minVal,idxArr]=min(block(:)); jOffset=floor((idxArr(1)+2)/3); iOffset=idxArr(1)-3*(jOffset-1); rowC(i,j)=rowC(i,j)+iOffset; colC(i,j)=colC(i,j)+jOffset; end end %% KMeans超像素分割 Label=zeros(m,n)-1; dis=Inf*ones(m,n); M=reshape(img,m*n,size(img,3)); %像素值重排 % 联合色域值和空域值 colorC=zeros(h,w,size(img,3)); for i=1:h for j=1:w colorC(i,j,:)=img(rowC(i),colC(j),:); end end uniMat=cat(3,colorC,rowC,colC); uniMat=reshape(uniMat,h*w,size(img,3)+2); iter=1; while(1) uniMat_old=uniMat; % rowC_old=rowC; % colC_old=colC; for k=1:h*w c=floor((k-1)/h)+1; r=k-h*(c-1); rowCidx=rowC(r,c); colCidx=colC(r,c); %聚类中心坐标 %聚类限定的栅格(中心点始终是原s x s栅格的中心点) rowStart=max(1,rowC_std(r,c)-s); rowEnd=min(m,rowC_std(r,c)+s-1); colStart=max(1,colC_std(r,c)-s); colEnd=min(n,colC_std(r,c)+s); % colorC=uniMat(k,1:size(img,3)); colorC=M((colCidx-1)*m+rowCidx,:); for i=rowStart:rowEnd for j=colStart:colEnd colorCur=M((j-1)*m+i,:); dc=norm(colorC-colorCur); ds=norm([i-rowCidx,j-colCidx]); d=dc^2+wDs*(ds/s)^2; if d 
  
    =1 && row<=m && col>=1 && col<=n && Label(row,col)~=k) continue; end if marker(row-top+1,col-left+1)==0 %未被统计过 marker(row-top+1,col-left+1)=1; num=num+1; labelArr(num)=Label(row,col); end end end labelArr(find(labelArr==0))=[]; %去除零元素 uniqueLabel=unique(labelArr); numArr=zeros(length(uniqueLabel),1); for p=1:length(uniqueLabel) idx=find(labelArr==uniqueLabel(p)); numArr(p)=length(idx); end idx=find(numArr==max(numArr)); maxnumLabel=uniqueLabel(idx(1)); %接触最多的标签 for row=rowStart:rowEnd for col=colStart:colEnd if bw(row-rowStart+1,col-colStart+1)==0 continue; end Label(row,col)=maxnumLabel; end end end end % 显示连通域处理后聚类结果 temp=mod(Label,20)+1; figure; imagesc(label2rgb(temp-1,'jet','w','shuffle')) ; axis image ; axis off ;

脚本文件：

close all;clc; I=imread('1.jpg'); figure,imshow(I); s=15; errTh=10^-2; wDs=0.5^2; Label=SLIC(I,s,errTh,wDs); %% 显示轮廓 marker=zeros(size(Label)); [m,n]=size(Label); for i=1:m for j=1:n top=Label(max(1,i-1),j); bottom=Label(min(m,i+1),j); left=Label(i,max(1,j-1)); right=Label(i,min(n,j+1)); if ~(top==bottom && bottom==left && left==right) marker(i,j)=1; end end end figure,imshow(marker); I2=I; for i=1:m for j=1:n if marker(i,j)==1 I2(i,j,:)=0; end end end figure,imshow(I2);

测试图像：

超像素分割算法SLIC的matlab实现