SLIC超像素分割算法和目前超像素算法的比较.

基于改进的SLIC超像素分割算法
许晓东;张雷;焦小雪;廉桂城
【期刊名称】《电子制作》
【年(卷),期】2023(31)2
【摘要】针对原始的简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法,在运行前需要根据经验来预设分割的超像素块数,这可能导致出现过分割或欠分割的问题。

本文提出了一种改进的SLIC超像素分割算法,利用全局HSV颜色空间的非均匀量化来间接地表示待分割图像的复杂度,并进一步用其一维向量对应直方图的均值来表示预分割超像素的块数,从而达到自适应设置超像素块数的目的。

随后为了获得更加完整地分割图像目标轮廓信息,本文还提出了利用图像的梯度信息对分割结果做进一步处理。

最终结果显示,相较于原始的SLIC超像素分割算法,本文所提的改进SLIC算法能够在保障分割质量的前提下,大幅减少分割图像中的过割行为并保留目标图像的边界区域。

【总页数】4页(P58-60)
【作者】许晓东;张雷;焦小雪;廉桂城
【作者单位】河北工程大学数理科学与工程学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于SLIC超像素分割的图分割算法
2.基于SLIC超像素分割的SAR图像海陆分割算法
3.融合FPGA技术的改进SLIC超像素分割算法
4.改进的SLIC超像素图像分割与合并算法
5.改进的SLIC超像素图像分割与合并算法
因版权原因，仅展示原文概要，查看原文内容请购买。

超像素分割技术在图像处理中的应用研究随着科技的不断发展，图像处理技术也得到了长足的发展。

近年来，超像素分割技术成为了图像处理领域的一个重要研究方向。

本文将着重介绍超像素分割技术在图像处理中的应用研究。

一、超像素分割技术的基本原理超像素分割技术是一种将原始图像分割成小块而不同于传统方法的技术。

与传统方法将图像分割成像素点不同，超像素分割技术将图像分割成多个小包块，每个小包块叫做超像素。

超像素在保留了图像视觉信息的同时，又能显著减少图像处理的计算量。

超像素分割技术的基本原理是将相邻像素点按照相似度分为一个区域，并且该区域内的像素称为同一超像素。

相似度度量可以使用多种方法，比如颜色、灰度、纹理等。

因此，超像素分割技术的结果比像素分割更加抽象，同时避免了小块图像处理时所产生的杂色点和像素点空洞。

二、超像素分割技术在图像处理中的应用1. 目标检测与跟踪在视觉识别任务中，超像素分割技术可以将图像中的物体分割出来，从而帮助判断物体的边缘和区域。

同时，超像素分割技术可以作为跟踪算法的一种预处理方法，使得跟踪的精度和效率得到了有效提升。

2. 图像分割除了可以对物体进行分割，超像素分割技术也可以将图像进行分割，从而将图像或者视频转化成一组块。

这种方法可以用于对图片分析，并为其提供包括分类、组合、编辑等一系列操作的基础。

3. 图像压缩对于一些高清图片，它们往往需要大量的内存才能进行储存。

超像素分割技术将图片划分成多个超像素块，这样就可以大大减小图片所需要的内存，从而实现了高效的图像压缩和传输。

4. 图像重建在图像重建时，超像素分割技术可以保持图像的高分辨率，同时消除一些噪声。

因此，超像素分割技术在图像重建中有很大的应用前景。

三、超像素分割技术存在的问题与未来发展虽然超像素分割技术在图像处理方面的发展很快，但是它还存在着许多不足。

例如，当图像中存在多种颜色或者纹理时，超像素分割技术分割出的超像素存在相对较多的错误。

此外，由于超像素分割技术的算法较为复杂，计算量会比传统的图像处理方式大。

基于超像素稀疏表示的高光谱遥感图像分类原理分析为了克服传统方法中的缺点，近年来，研究人员提出了基于超像素稀疏表示的高光谱遥感图像分类方法。

该方法先将高光谱遥感图像进行超像素分割，将一个像素周围的相似像素合并成一个超像素，从而降低了维度和信息冗余的问题。

然后，对于每一个超像素，采用稀疏表示的方法来表示其光谱信息。

稀疏表示是一种基于字典学习的方法，即将原始数据用一个字典中的基向量线性组合来表示，从而达到降维和压缩数据的目的。

1. 超像素分割对于高光谱遥感图像，先进行超像素分割，将一定范围内相似的像素合并成一个超像素。

常用的超像素分割方法有SLIC（Simple Linear Iterative Clustering）、SEEP （Sequential Error-Equalized Partition）等。

2. 稀疏表示针对每个超像素的光谱信息，采用稀疏表示的方法来降维和压缩数据。

具体来说，可以先将每个超像素的光谱信息构成一个向量，然后通过字典学习的方法，学习一个字典，该字典中的基向量可以表征高光谱遥感图像中的各种地物和地貌信息。

然后，对于每个超像素的光谱信息向量，用字典中的基向量来表示，即y = D * x其中，y是原始光谱信息向量，D是字典中的基向量矩阵，x是稀疏系数向量。

稀疏系数向量x可以通过优化求解得到，常用的优化算法有OMP（Orthogonal Matching Pursuit）、Lasso等。

3. 特征提取通过稀疏表示的方法，每个超像素的光谱信息都被表示为一个稀疏系数向量x，然后可以将这个向量作为该超像素的特征进行分类。

通常采用的分类算法有支持向量机、随机森林等。

4. 模型评估最后，对于分类结果进行评估。

评估指标包括精度、召回率、F1值等。

如果分类结果不满足要求，则可以对算法的参数进行调节，或者采用其他的分类算法、字典学习方法等。

总之，基于超像素稀疏表示的高光谱遥感图像分类方法利用超像素分割和稀疏表示技术，成功地解决了传统方法中的维度灾难和信息冗余问题，从而提高了分类精度和稳定性。

图像分割是图像理解的重要组成部分，是计算机视觉的基石，也是图像分析、图像识别等方法的首要步骤，图像分割结果的好坏会对图像的后续处理过程产生决定性的影响，在计算机视觉的产生和发展过程中，图像分割是图像工作者碰到的最困难的问题之一。

图像分割即是根据图像的灰度、纹理、形状等特征将图像划分成互不相交的若干区域，同时保证区域内部在分割特征上保持各向同性，区域与区域之间在分割特征上保持各向异性。

在实际应用中即为在待分割图像中提取出人们关心的区域，为图像处理中的其他方法打下基础。

在图像分割的发展历史中，阈值分割、区域生长、边缘检测是人们常用的三大类传统分割方法。

近年来，随着机器学习的兴起，图像分割也呈现出了百花齐放的景象，基于机器学习的聚类分割、基于深度学习的神经网基于SLIC和区域生长的目标分割算法韩纪普，段先华，常振江苏科技大学计算机学院，江苏镇江212000摘要：传统区域生长算法的分割结果依赖于种子点的选取，且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞，针对以上问题提出了基于超像素的改进区域生长算法。

采用拉普拉斯锐化，增强待分割目标边界，之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域，建立不规则区域间的无向加权图，选取种子区域，根据无向加权图以分割好的不规则区域为单位进行区域生长，最后在分割目标边缘处以像素为单位做区域生长，细化边界。

对比于传统区域生长算法，改进后的算法在分割结果上受种子点选取影响较小，且能有效地解决分割空洞等问题。

对比于聚类分割，Otsu（最大类间方差）阈值分割法等典型算法，该算法在分割精度上具有明显优势。

关键词：拉普拉斯锐化；简单线性迭代聚类算法（SLIC）；区域生长；目标分割文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.1911-0254Target Segmentation Algorithm Based on SLIC and Region GrowingHAN Jipu,DUAN Xianhua,CHANG ZhenSchool of Computer Science,Jiangsu University of Science and Technology,Zhenjiang,Jiangsu212000,China Abstract：The segmentation result of the traditional region growing algorithm depends on the selection of the seed point.The noise of the image and the uneven grayscale value are easy to form the segmentation cavity in the process of segmen-tation.Aiming at the above problems,an improved region growing algorithm based on superpixel is proposed.Frist of all, the Laplacian sharpening is used to enhance the boundary of the target to be segmented.According to the features of gray similarity,the SLIC（Simple Linear Iterative Clustering）superpixel segmentation method is used to segment the original image into several irregular regions.Then an undirected weighted graph based on irregular regions will be established.A region is selected as a seed,the region is grown in units of the segmented irregular regions according to the undirected weighting map.To clarify the edge area,the region growing algorithm in pixels runs at the edge of the segmentation target pared with the traditional region growing algorithm,the improved algorithm is less affected by the seed point selection in the segmentation result,and the improved algorithm can effectively solve the problem of segmentation holes. Compared with clustering segmentation,Otsu threshold segmentation method,the proposed algorithm has obvious advan-tages in segmentation accuracy.Key words：Laplacian;Simple Linear Iterative Clustering（SLIC）;regionl growing;target segmentation基金项目：国家自然科学基金（61772244）；江苏省研究生创新计划项目（KYCX18_2331）。

基于超像素的图像分割与目标检测算法研究图像分割与目标检测是计算机视觉领域中关键的技术问题。

本文将基于超像素的图像分割与目标检测算法进行研究分析。

首先介绍了超像素的概念和相关知识，并探讨了超像素在图像分割和目标检测中的应用。

随后，本文详细阐述了基于超像素的图像分割算法和目标检测算法，并介绍了各自的特点和优势。

最后，本文总结了研究过程中遇到的问题和挑战，并展望了未来的研究方向和发展趋势。

超像素是指对图像进行空间上连续且相似区域的划分，从而减少图像处理的复杂度。

超像素相比于传统像素具有更大的块尺寸，能够更好地保留图像中的细节信息。

在图像分割领域，超像素方法能够有效地将图像分割为具有边界连续性的区域，为后续的目标检测提供更好的基础。

在目标检测领域，超像素方法能够更好地捕捉目标的上下文信息，并提高目标检测的准确性和效率。

基于超像素的图像分割算法可分为两类：基于区域的超像素分割和基于轮廓的超像素分割。

基于区域的超像素分割算法主要利用图像的颜色、纹理等特征进行区域的划分，如Mean Shift算法、SLIC算法等。

这些方法通过最小化超像素内部和超像素之间的差异来实现分割效果。

而基于轮廓的超像素分割算法则主要利用图像的边缘信息进行划分，如SEEDS算法、EGB算法等。

这些方法通过提取图像边缘上的像素点来实现分割效果。

基于区域的超像素分割算法适合处理具有明显颜色和纹理特征的图像，而基于轮廓的超像素分割算法则适合处理具有明显边缘特征的图像。

基于超像素的目标检测算法主要包括两个步骤：超像素生成和目标识别。

在超像素生成阶段，首先将图像进行超像素分割，生成一系列基于超像素的图像块。

然后，通过利用颜色、纹理等特征对每个超像素进行描述，得到超像素的特征向量。

在目标识别阶段，通过机器学习算法或深度学习算法对超像素进行分类，得到目标的位置和类别信息。

常用的目标检测算法包括SVM算法、卷积神经网络等。

这些算法在超像素特征的提取和目标分类上有着较好的效果和性能。

遥感影像中的超像素分割算法研究随着遥感技术的发展和应用，各种遥感影像数据的获取和处理已经成为现代地球科学中不可或缺的一部分。

遥感影像数据的特征复杂多变，如何快速准确地处理遥感影像数据成为了遥感影像处理领域的研究热点之一。

超像素分割算法是一种常用的遥感影像处理方法，具有处理速度快、结果准确等优点，因此受到广泛的关注和应用。

什么是超像素分割算法？超像素是一种特殊的像素块，由多个相邻的像素组成。

超像素分割算法根据图像的局部相似性将相似的像素块分为同一个类别，得到图像的超像素分割结果。

超像素的概念最早在计算机视觉的领域中被提出，然后被引入到遥感影像处理中。

超像素分割算法可以有效地减少图像中的噪声，同时保留图像的细节信息，从而更好地满足遥感影像处理中要求快速且准确的处理需求。

传统的像素级分割算法存在的问题传统的基于像素级的分割算法在处理遥感影像时存在许多问题，如对噪声敏感、处理速度慢、结果不准确等。

这些问题的根源在于像素本身的过于细小和随机分布，导致遥感影像的局部变化较快，且同一对象的像素分散在图像的不同位置，导致不同对象的像素之间的差异程度较大，不容易予以区分。

因此，基于像素级的遥感影像分割算法难以很好地提取遥感影像中的对象信息。

超像素分割算法的优势和应用超像素分割算法的优势在于能够较好地提取对象特征信息，并保留了图像的细节信息，从而更好地满足遥感影像处理中的需求。

超像素分割算法广泛应用于遥感图像的分割、目标检测以及遥感图像建模等领域。

其中，在高分辨率遥感影像中自动建立地物目标三维模型，是超像素分割算法在遥感图像处理中的一个重要应用方向。

常见的超像素分割算法常见的超像素分割算法主要包括基于聚类的算法、基于图论的算法和基于区域的算法等。

基于聚类的算法是最基本也是最简单的超像素分割算法之一，其主要思想是将遥感影像中相邻的像素块聚合成同一类。

基于聚类的超像素分割算法由于计算速度快，易于理解等优点，被广泛应用于遥感图像处理中。

第 22卷第 3期2023年 3月Vol.22 No.3Mar.2023软件导刊Software Guide基于凸包的SLIC超像素分割算法杨昊宇1，张春富1，杨佳武1，王鹏1，谈格2，彭华伟2，许杰2（1.盐城工学院电气工程学院，江苏盐城 224007；2.盐城市计量测试所，江苏盐城 224008）摘要：在SLIC算法聚类分割过程中，因像素标记冗余更新导致算法耗时较长。

为解决上述问题，提出基于凸包的SLIC超像素分割算法。

该算法首先根据图像网格的灰度特征，利用阈值标记筛选出目标区域；其次，利用凸包算法构建图像凸包，并以其结构特征确定初始聚类中心；最后，基于初始聚类中心对目标区域使用SLIC算法完成图像分割。

在MATLAB环境下分别对该算法与3种相关算法进行对比测试，实验结果表明，该算法能够有效提高算法运行效率，并具有较好的分割质量。

关键词：SLIC算法；超像素；凸包；聚类分割DOI：10.11907/rjdk.222011开放科学（资源服务）标识码（OSID）：中图分类号：TP301 文献标识码：A文章编号：1672-7800（2023）003-0153-04SLIC Superpixel Segmentation Algorithm Based on Convex HullYANG Hao-yu1， ZHANG Chun-fu1， YANG Jia-wu1， WANG Peng1， TAN Ge2， PENG Hua-wei2， XU Jie2（1.School of Electrical Engineering， Yancheng Institute of Technology， Yancheng 224007， China；2.Yancheng Measurement and Testing Institute， Yancheng 224008， China）Abstract：In the process of SLIC clustering and segmentation， the redundant updating of pixel marks causes the algorithm to take a long time. In order to solve the above problems， a convex hull based SLIC super-pixel segmentation algorithm is proposed. Firstly， according to the gray characteristics of the image grid， the target region is filtered out by using the threshold mark. Secondly， the convex hull algorithm is used to construct the convex hull of the image and determine the initial clustering center based on its structural characteristics. Finally， based on the initial clustering center， SLIC algorithm is used to complete the image segmentation. In the MATLAB environment， the proposed algorithm and three related algorithms are tested. The experimental results show that the proposed algorithm can effectively improve the efficiency of the algorithm and has better segmentation quality.Key Words：SLIC algorithm； superpixel； convex hull； clustering segmentation0 引言在数据爆发式增长的信息时代，图像处理的工作量与日俱增，图像分割技术面临巨大挑战［1］。

基于改进SLIC算法的超像素图像分割及参数优化
王静;余顺园
【期刊名称】《自动化技术与应用》
【年(卷),期】2024(43)5
【摘要】为了提高超像素图像分割效率,根据颜色参数设计得到SLIC图像分割算法。

研究结果表明:应确保K值达到尽量小的状态下,设置更高精度的边界分割效果,从而确保精度提升的基础上尽量减少计算量。

逐渐提高超像素数后,UE呈现持续降低的趋势,最终达到饱和状态;在初期处于较小超像素数量的情况下,ASA发生了快速增长,此时分割精度也获得了快速提升;BR表现为较平稳的增长趋势,形成了稳定的BR参数。

优化SLIC算法以自动方式设置的K值为323,实现了算法计算过程的明显简化。

所设计的优化SLIC方法可针对各类图像分别设置超像素数量,不必进行多次尝试来选择超像素,使运行时间大幅缩短。

【总页数】4页(P67-69)
【作者】王静;余顺园
【作者单位】安康学院电子与信息工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.改进的SLIC超像素图像分割与合并算法
2.改进的SLIC超像素图像分割与合并算法
3.基于SLIC超像素粒化的粗糙熵图像分割算法
4.基于改进的SLIC超像素分割算法
5.基于区域再分割的改进型SLIC超像素生成算法
因版权原因，仅展示原文概要，查看原文内容请购买。

收稿日期:2017-07-26 修回日期:2017-11-09 网络出版时间:2018-02-24基金项目:国家自然科学基金(61001139)作者简介:张小凤(1994-),女,硕士研究生,研究方向为图像处理;刘向阳,副教授,硕导,通讯作者,研究方向为图像与视频分析㊁数据分析和机器学习㊂网络出版地址:http :// /kcms /detail /61.1450.TP.20180224.1525.090.html基于图像超像素分析的图像分割方法张小凤,刘向阳(河海大学理学院,江苏南京211100)摘　要:图像分割是计算机视觉领域的传统问题,也是图像分析和模式识别的关键组成部分㊂传统的聚类图像分割方法是基于单个像素属性进行的图像分割方法,分割的结果有很大的噪声且具有不稳定性㊂针对以上不足,考虑超像素能够较好地描述区域信息,且有利于图像的局部特征的提取与结构信息的表达,提出了基于图像超像素分析的图像分割方法㊂首先利用SLIC 算法将单个像素点聚类为超像素块,其次通过密度峰值聚类算法(DPCA)对超像素块进行聚类,将基于单个像素属性的图像聚类分析改变为基于超像素的分析,可以提高分割结果的稳定性及准确性㊂仿真结果表明,与SLIC 算法和DPCA 进行对比,发现该方法比另外两种方法更稳定且分割效果更好㊂关键词:图像分割;超像素;SLIC 算法;密度峰值聚类算法中图分类号:TP391.41 文献标识码:A 文章编号:1673-629X (2018)07-0025-04doi:10.3969/j.issn.1673-629X.2018.07.006Image Segmentation Based on Image Superpixel AnalysisZHANG Xiao -feng ,LIU Xiang -yang(School of Science ,Hohai University ,Nanjing 211100,China )Abstract :Image segmentation is a traditional problem in the field of computer vision and also a key component of image analysis and pat⁃tern recognition.The traditional clustering image segmentation method is based on the single pixel attribute ,and its segmentation result has great noise and is unstable.To resolve the above shortcomings ,in view of the superpixel with better description of the region information ,which is beneficial to extract the local feature of image and to express the structural information ,we propose an image segmentation meth⁃od based on image superpixel analysis.Firstly ,single pixel is clustered into superpixel block by SLIC algorithm ,and then the superpixel block is clustered by the density peak clustering algorithm (DPCA ).Changing the image clustering analysis based on the single pixel at⁃tribute to the analysis based on the superpixel can improve the stability and accuracy of the segmentation result.After the simulation test ,compared with the SLIC algorithm and DPCA ,it is found that the proposed algorithm is more stable and has better segmentation than the other two methods.Key words :image segmentation ;superpixel ;SLIC algorithm ;density peak clustering algorithm0　引　言图像分割是指将图像分割成一些互不重叠的区域,各区域内部具有相同或相近的某些特定属性,而不同区域之间的属性则相差明显,其实质就是按照像素的属性进行聚类的过程[1-2]㊂图像分割是图像处理与计算机视觉领域的基本技术之一,它是图像分析和模式识别的重要组成部分,其目的是为了将图像中人们所感兴趣的部分提取出来,为后续处理分析打下基础[3]㊂因为聚类图像分割方法是一种无监督的机器学习算法,所以在图像分割中应用广泛㊂传统的聚类图像分割方法有k -means 聚类算法[4]㊁模糊聚类算法[5-6]㊁基于密度的聚类算法[7]和谱聚类算法[8]等㊂k -means 聚类算法思想简单,实现方便,但由于其聚类中心的选取具有不确定性,不能得到理想的结果㊂FCM [9-10]作为模糊聚类算法的代表,有很多优点,但也存在聚类数目的选取以及算法迭代复杂度过高等问题㊂基于密度的聚类算法聚类速度快且能够有效处理噪声点,但当聚类的密度不均匀㊁聚类间距相差很大时,聚类质量较差,且可实性很差㊂谱聚类算法只需要数据之间的相似度矩阵,所以对于处理稀第28卷　第7期2018年7月 计算机技术与发展COMPUTER TECHNOLOGY AND DEVELOPMENT Vol.28　No.7July　2018疏数据的聚类很有效㊂它是属于图论的范畴,因此不可避免地存在图论分割算法的缺点,当聚类的维度非常高时,谱聚类的运行速度和最终分割结果都会受到影响㊂上述聚类算法都是基于单个像素进行图像分割的,这样可能造成图像分割结果的不稳定性,且有很大的噪音㊂针对这些不足,提出了基于图像超像素分析的图像分割方法㊂该方法是基于超像素对图像进行聚类,因为超像素更有利于局部特征的提取与结构信息的表达,并且能够大幅降低后续处理的计算复杂度[11]㊂首先利用SLIC算法[12]对图像生成超像素并用其代替像素作为图像处理的基本单元[13],然后计算每个超像素的颜色均值,提取超像素的颜色均值㊁聚类中心的空间位置以及颜色均值的方差作为超像素的特征属性,再计算两两超像素之间的距离,得到超像素的距离矩阵㊂最后利用基于密度峰值的聚类算法(DP⁃CA)[14]对超像素进行聚类㊂1　SLIC算法生成超像素超像素[15]是指具有相似颜色㊁亮度㊁纹理等特征的像素组成的有一定视觉意义的不规则像素块,即同一个超像素内的像素具有很大的相似性㊂它是利用像素之间特征的相似性将像素进行分组,用少量的超像素代表大量的像素来表达图片特征㊂而且超像素能捕获图像的冗余信息,降低图像后续处理的复杂度,通常作为图像处理的预处理步骤㊂超像素已经成为计算机视觉领域中的重要技术,广泛应用于图像分割㊁图像分类以及目标跟踪等图像分析领域㊂简单的线性迭代聚类算法(SLIC)[12]能生成大小均匀㊁形状规则的超像素,且边界黏连㊁运算速度和分割质量都优于其他的超像素分割算法㊂SLIC算法主要是应用k-means生成超像素,首先将彩色图片转换为CIELAB颜色空间和空间坐标下的5维特征向量[L a b x y]T,用5维特征向量来构造像素的度量标准,然后对像素进行聚类,完成超像素过程㊂具体步骤如下:(1)初始化种子点:按照设定的超像素个数,在图像内均匀分配种子点㊂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近似为S= N/K㊂(2)在种子点的3×3邻域内,将种子点移到该邻域内梯度值最小的地方㊂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㊂(3)在每个种子点周围的邻域内为每个像素点分配类标签,对于每个搜索到的像素点,分别计算它到该种子点的距离,将它分配到与其距离最近的类内㊂重复此步骤直到残余误差收敛㊂这里的距离包括颜色空间和距离空间,搜索范围为2S×2S,相比k-means算法要计算每个像素之间的距离,SLIC算法很大程度上提高了计算的速度㊂距离定义如下:d c=(lj-li)2+(a j-a i)2+(b j-b i)2ds=(xj-xi)2+(y j-y i)2D=d2c+(d s S)2mìîíïïïïïï2(1)其中,d c,d s分别表示颜色距离和空间距离;S表示种子点之间的距离;m表示颜色与空间差异的权重,m越大生成的超像素越紧凑,m越小生成的超像素越不规则,但图像边界黏连很好㊂2　超像素的距离矩阵的构建利用SLIC算法生成超像素后,用超像素代替像素进行聚类㊂对每个超像素计算其颜色均值,用颜色均值㊁超像素的聚类中心的空间位置以及超像素的方差来表示每个超像素的特征属性,因此,每个超像素均可用7维向量来表示其特征属性,记为[l i a i b i x i y i dl i da i db i]T㊂其中l i㊁a i㊁b i表示超像素的颜色分量均值;x i㊁y i表示超像素聚类中心的空间坐标位置;dl i㊁da i㊁db i表示超像素颜色均值三个量的方差㊂其中颜色均值[l i a i b i]T表示超像素之间颜色的相似性,当两个超像素的颜色距离越小时,说明两个超像素的颜色越接近㊂超像素聚类中心的空间位置[x i y i]T表示超像素之间的连通性,当两个超像素聚类中心之间的距离大于S=N/K时,说明两个超像素不相邻,不具有连通性㊂超像素的方差[dl i da i db i]T表示每个超像素的纹理变化程度,当两个超像素的方差的距离越小时,说明两个超像素纹理越相似㊂将每个超像素看成图像处理的基本单元[8],计算两两超像素之间的欧氏距离d ij,形成一个m×m维的矩阵d=(d ij)m×m,其中d ij定义如下:d1=(li-lj)2+(a i-a j)2+(b i-b j)2(2) d2=(xi-xj)2+(y i-y j)2(3) d3=(dli-dl)2+(d a i-d a)2+(d b i-d b)2(4)dij=d1c+γd1s+αd3(5)其中,d1,d1和d3分别表示超像素C i和C j之间的颜色距离㊁中心位置距离和超像素的协方差距离;m 为超像素个数;γ为中心位置权重,当γ越大时,距离㊃62㊃ 计算机技术与发展 第28卷权重较大,但此时图像分割越不稳定,可能把不一样的区域分割在一起,当γ越小时,会把同一个区域分割成多个部分;α为纹理特征权重,当α越大时,图像的纹理分割得越清晰,可能会把同一个区域分成很多小的部分㊂文中当γ的取值范围为[0,1],α取值范围为[0,0.1]时,分割效果最好㊂在以下实验中,将γ,α设置为最佳值㊂3　利用密度峰值聚类算法对超像素进行聚类2014年Alex Rodriguez [14]等提出了基于密度峰值的聚类算法(DPCA )㊂DPCA 的主要思想是计算每个像素的局部密度值ρi 和 距离”δi (δi 是指与具有更高局部密度点的距离),以寻找聚类中心㊂聚类中心具有两个特点:第一,其本身的密度很大,即它被密度均不超过它的邻居所包围;第二,与其他局部密度更大的数据点之间的距离相对更大㊂文中用该算法实现了对超像素的聚类,且详细过程如下所述㊂3.1　计算局部密度和距离超像素的数据集S =C {}i m i =1,I S ={1,2, ,m }为相应的指标集,其中C i 表示相应的超像素的特征属性,d ij 表示超像素C i 和超像素C j 之间的欧氏距离(见式5)㊂对于每个超像素C i ,可以为其定义ρi 和δi :ρi =∑j ∈I S \{}i χ(d ij -d c )(6)其中函数χ(x )=1,x <00,x ≥{0(7)参数d c 为截断距离,使得每个数据点的平均邻居个数约为总数据点的1%~2%㊂由定义可知,ρi 表示S 中与C i 之间的欧氏距离小于d c 的超像素的个数,定义如下:δi =min j i (d ij ),ρj >ρimax j(d ij ),∀j ∈I S ,ρi ≥ρ{j(8)由定义可知,当C i 具有最大局部密度时,δi 表示S 中与C i 距离最大的超像素与C i 之间的距离;否则,δi 表示在所有局部密度大于C i 的超像素中,与C i 距离最小的超像素与C i 之间的距离㊂3.2　确定聚类中心这里把每个超像素看作一个数据点㊂一般选取局部密度较大的且同时有很大 距离”(与最近邻的高局部密度的超像素的距离)的数据点为聚类中心㊂计算综合考虑ρ值和δ值的一个量,定义为:γi =ρi δi ,i ∈I S(9)由定义可知,γ值越大的数据点越有可能为聚类中心㊂因此,只需要对其进行降序排列,然后选取前k 个γ值较大的数据点作为聚类中心,聚类中心对应的数据点编号记为n {}j k j =1,即C n 为第j 个类的中心㊂3.3　数据点归类对于非聚类中心数据点的归类,是按照ρ值从大到小的顺序进行遍历的,它与局部密度比它大的最近邻的数据点为同一个类簇㊂定义p {}i m i =1:p i 表示S 中所有局部密度比C i 大的数据点与C i 最近邻的数据点的编号㊂初始化数据点归类属性标记c {}i m i =1,定义为:c i =k ,C i 为聚类中心-1,{否则(10)即若数据点C i 为聚类中心,则把它归类到第k 个类簇;否则,当c q i=-1时,c q i=c p q ,即把它归类到局部密度比它大的最近邻的数据点所在的类簇中㊂其中q {}im i =1表示数据点局部密度ρ{}i m i =1的降序排列下标序㊂3.4　划分每个类簇中的数据点属性在每个类簇中,数据点又可分为核心点和边缘点㊂首先确定该类簇的边界区域,边界区域内的数据点具有这样的属性,即本身属于该类簇,但在其d c 的领域内包含有其他类簇的数据点㊂对于每个类簇,确定其边界区域后,利用边界区域上的点生成一个平均局部密度上界ρ{}b in ci =1㊂对于每一个数据点,如果ρi <ρb c i,则该数据点为边缘点;否则,为该类簇的核心点㊂4　算法流程文中方法主要包括两步,第一步是利用SLIC 算法对图像进行超像素分割,生成超像素,然后计算每个超像素的颜色均值,提取超像素的特征属性[l i a i b i x i y i dl i da i db i ]T ,之后再利用式5计算两两超像素之间的欧氏距离d ij ,得到超像素的距离矩阵d =(d ij )m ×m ;第二步是把生成的超像素作为图像处理的基本单元,利用基于密度峰值的聚类算法对生成的超像素进行聚类㊂文中算法流程如图1所示㊂首先输入要分割的图像㊁超像素的大小和最终分割类簇,根据图像的大小计算超像素个数,并在图像内均匀分配种子点(等于超像素个数),在聚类中心的2S ×2S 邻域内利用式1计算每个像素到聚类中心的距离D ;然后将每个像素分配到距离其最近的聚类中心所在的类簇中,迭代更新聚类中心的位置,得到超像素,再根据式5计算两两超像素之间的距离d ij ,得到超像素的距离矩阵d =(d ij )m ×m ,并计算每个超像素的局部密度ρi 和与局部密度比它大的最近邻的超像素的距离δi ;最后对超像素进行聚类,输出分割结果㊂㊃72㊃　第7期 张小凤等:基于图像超像素分析的图像分割方法图1　文中算法流程5　实验结果与分析为了验证该方法的可行性和有效性,选取了一些自然图像和纹理图像进行分割实验,并与SLIC算法和DPCA聚类算法进行了比较㊂5.1　纹理图像的实验结果纹理图像的分割结果如图2所示㊂可以看到,使用SLIC算法进行纹理图像分割不能把区域分割开来;使用DPCA聚类算法对图像进行分割会产生很大的噪声,并且把同一区域分割成很多小的部分㊂图(d)是文中算法的分割结果㊂对于每种对比算法,都将内部参数设置为最佳;对于文中算法,将超像素的大小设置为K=80或K=100,从上至下分别取γ=0.5,α=0.05,γ=0.5,α=0.001㊂由实验结果可以看到,文中算法得到的分割结果要优于其他两种方法㊂图2　纹理图像的图像分割结果5.2　自然图像的实验结果自然图像的图像分割结果如图3所示㊂可以看到,使用SLIC算法进行图像分割不能把目标物与背景分割开来;图(c)中,第一张图DPCA聚类算法未能把目标物分割出来,其他两张图的分割结果也都有很大的噪声;图(d)是文中算法分割结果㊂将超像素的大小设置为K=80或K=100,从上至下分别取γ=0.1,α=0.05,γ=0.5,α=0.01,γ=0.1,α=0.01㊂由仿真实验结果可看出,文中算法能够很好地将目标物与背景分割出来,且有相对较好的分割效果㊂图3　自然图像的图像分割结果5.3　算法存在的不足图4中,图(a)㊁(c)为原始图像,图(b)㊁(d)为文中算法分割结果㊂从图(b)可看出,因为目标物的颜色不相似,小狗身上的黑色区域不连通,该算法不能把目标物分割开㊂而在对超像素进行聚类的过程中,缺乏对空间信息的考虑,所以对这类图像进行图像分割时,会把原本应该分割成同一区域的分割成了很多部分,达不到分割的效果㊂从图(d)可看出,天空㊁白云和山脉分割效果较好,而目标物因为与背景颜色很相近,未把它分割出来㊂这些缺点也是后续要继续努力的地方㊂图4　文中算法分割结果6　结束语针对传统图像分割方法基于单个像素对图像进行分割造成的分割结果不稳定等问题,提出了一种基于图像超像素分析的图像分割方法㊂通过构建超像素的距离矩阵,将SLIC算法与DPCA聚类算法相结合,实现对图像的分割㊂实验结果表明,该方法有较好的分割效果,能够将目标物和背景清晰地分割开㊂但该方(下转第47页)㊃82㊃ 计算机技术与发展 第28卷参考文献:[1]　BAR -SHALOM Y ,FORTMANN T E.Tracking and data as⁃sociation [M ].[s.l.]:Academic Press ,1988.[2]　BAR -SHALOM Y ,LI X R ,KIRUBARAJAN T.Estimationwith applications to tracking and navigation [M ].New York :Wiley -Interscience ,2001.[3]　HALL D L.Mathematic techniques in multi -sensor data fu⁃sion [M ].Boston ,MA :Artech House Publishers ,1992.[4]　KALMAN R E.A new approach to linear filtering and pre⁃diction problems [J ].Journal of Basic Engineering Transac⁃tions ,1960,82:35-45.[5]　SIMON D.Optimal state estimation [M ].New York :Wiley -Interscience ,2006.[6]　韩崇昭,朱洪艳,段战胜.多源信息融合[M ].第2版.北京:清华大学出版社,2010.[7]　ARULAMPALAM M S ,MASKELL S ,GORDON N ,et al.A tutorial on particle filters for online nonlinear /non -Gaussi⁃an Bayesian tracking [J ].IEEE Transactions on Signal Pro⁃cessing ,2002,50(2):174-188.[8]　CAPPE O ,GODSILL S J ,MOULINES E.An overview ofexisting methods and recent advances in sequential Monte Carlo [J ].Proceedings of the IEEE ,2007,95(5):899-924.[9]　JULIER S ,UHLMANN J K.Unscented filtering and nonlin⁃ear estimation [J ].Proceeding of the IEEE ,2004,92(2):401-422.[10]TO K ,XIONG K.Gaussian filters for nonlinear filteringproblems [J ].IEEE Transactions on Automatic Control ,2000,45(5):910-927.[11]ARASARATNAM I ,HAYKIN S ,ELLIOTT R J.Discrete -time nonlinear filtering algorithms using Gauss -Hermitequadrature [J ].Proceedings of the IEEE ,2007,95(5):953-977.[12]ARASARATNAM I ,HAYKIN S.Square -root quadratureKalman filtering [J ].IEEE Transactions on Signal Process⁃ing ,2008,56(6):2589-2593.[13]周东华,席裕庚,张钟俊.非线性系统的带次优渐消因子的扩展卡尔曼滤波[J ].控制与决策,1990,5(5):1-6.[14]周东华,席裕庚,张钟俊.一种带多重次优渐消因子的扩展卡尔曼滤波器[J ].自动化学报,1991,17(6):689-695.[15]付梦印,邓志红,闫丽萍.Kalman 滤波理论及其在导航系统中的应用[M ].北京:科学出版社,2010:100-103.[16]范文兵,刘春风,张素贞.一种强跟踪扩展卡尔曼滤波器的改进算法[J ].控制与决策,2006,21(1):73-76.[17]张文玲,朱明清,陈宗海.基于强跟踪UKF 的自适应SLAM 算法[J ].机器人,2010,32(2):190-195.[18]胡昌华,张　琪,乔玉坤.强跟踪粒子滤波算法及其在故障预报中的应用[J ].自动化学报,2008,34(12):1522-1528.[19]马丽丽,贺　姗,陈金广.强跟踪求积分卡尔曼滤波算法[J ].计算机工程与设计,2014,35(5):1802-1806.[20]钱华明,葛　磊,黄　蔚.一种改进的强跟踪滤波算法[J ].应用科学学报,2015,33(1):32-40.(上接第28页)法也存在一定的不足,未来做进一步改进,把SLIC 算法和DPCA 聚类算法更好地结合在一起,使分割效果达到更好㊂参考文献:[1]　何　俊,葛　红,王玉峰.图像分割算法研究综述[J ].计算机工程与科学,2009,31(12):58-61.[2]　张旭东,吕言言,缪永伟,等.基于区域协方差的图像超像素生成[J ].计算机科学,2016,43(5):318-322.[3]　STOCKMAN G ,SHAPIRO L puter vision [M ].[s.l.]:Prentice Hall ,2001:201-213.[4]　KANUNGO T ,MOUNT D M ,NETANYAHU N S ,et al.Anefficient k -means clustering algorithm :analysis and imple⁃mentation [J ].IEEE Transactions on Pattern Analysis &Ma⁃chine Intelligence ,2002,24(7):881-892.[5]　SON L H ,CUONG B C ,LANZI P L ,et al.A novel intu⁃itionistic fuzzy clustering method for geo -demographic anal⁃ysis [J ].Expert Systems with Applications ,2012,39(10):9848-9859.[6]　周文刚,孙　挺,朱　海.一种基于自适应空间信息改进FCM 的图像分割算法[J ].计算机应用研究,2015,32(7):2205-2208.[7]　ESTER M ,KRIEGEL H P ,SANDER J.et al.A density -based algorithm for discovering clusters a density -based al⁃gorithm for discovering clusters in large spatial databases with noise [C ]//International conference on knowledge dis⁃covery and data mining.[s.l.]:AAAI Press ,1996:226-231.[8]　李志梅,肖德贵.改进的快速模糊聚类图像分割算法[J ].计算机仿真,2009,26(8):212-215.[9]　关　昕,周积林.基于改进谱聚类的图像分割算法[J ].计算机工程与应用,2014,50(21):184-188.[10]曾　山.模糊聚类算法研究[D ].武汉:华中科技大学,2012.[11]宋熙煜,周利莉,李中国,等.图像分割中的超像素方法研究综述[J ].中国图象图形学报,2015,20(5):599-608.[12]ACHANTA R ,SHAJI A ,SMITH K ,et al.SLIC superpixelscompared to state -of -the -art superpixel methods [J ].IEEE Transactions on Pattern Analysis &Machine Intelligence ,2012,34(11):2274-2282.[13]由柏娇.一种基于超像素的彩色图像分割算法[D ].哈尔滨:哈尔滨工程大学,2015.[14]RODRIGUEZ A ,LAIO A.Machine learning :clustering byfast search and find of density peaks [J ].Science ,2014,344(6191):1492-1496.[15]REN X ,MALIK J.Learning a classification model for seg⁃mentation [C ]//Ninth IEEE international conference oncomputer vision.Nice ,France :IEEE ,2003:10-17.㊃74㊃　第7期 贺　姗等:改进的强跟踪求积分卡尔曼滤波算法。

超像素技术在图像分割中的应用研究随着数字媒体技术的不断发展，图片处理日趋普遍，图片的自动分割和强制分割是图片处理中常见的问题。

解决这些问题需要涉及到很多计算机视觉和图像处理技术的研究。

超像素技术在图像分割中的应用研究是图像处理中的一个重要分支，该技术通过合并相似的像素来降低处理图像的尺寸，同时保持边界信息。

超像素技术是图像处理中最重要的技术之一，它通过将相邻和相似的像素分组，形成超像素，从而减少图像处理和分析所需的计算量。

采用超像素技术可以将图像分割为更容易处理的区域，较小的超像素可以使图像的边界更加清晰，并且保留大部分的图像信息。

超像素可以是以区域为基础的分割技术的跨越式进展。

超像素技术的应用有许多好处，例如可以减少图像的尺寸，提高处理速度，同时保持高质量的处理结果。

采用超像素技术实现图像分割的主要目标是寻找合适的方法，以提高图像分割的准确性和速度。

在图像处理中，超像素技术通常用于分割图像。

分割图像指的是将完整图像分成多个部分，每个部分包含有关图像的有用信息。

超像素技术通过分组相邻和相似的像素来实现图像分割，这些像素被称为超像素。

为了获得更好的超像素分割，需要考虑以下几个方面:1. 超像素分割算法超像素分割算法是实现超像素分割的基础。

超像素分割算法通常可以分为以下几个步骤：首先选择最佳的分割标准和初始分割方法；然后对图像进行分割；最后，通过合并超像素的方式来获得最终的超像素分割结果。

2. 参数调整近年来，给出了许多不同的分割算法，每个算法都包含一些参数。

这些参数的值可能影响算法的表现。

因此，通过优化参数值，可以获得更好的超像素分割结果。

3. 超像素合并在超像素分割后，通常需要将超像素合并到更大的单元中。

为了实现良好的合并，必须考虑许多因素，例如超像素的相似度，边界信息和重叠区域。

总之，超像素技术在图像分割中的应用具有广泛的研究前景。

超像素技术可以较好地保持图像的边界信息并降低图像的尺寸，从而提高了图像处理的效率和精度。