youcans 的 OpenCV 例程200篇171.SLIC 超像素区域分割

Posted 2022-05-07 小白YouCans

OpenCV 例程200篇 总目录-202205更新

【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割

5. 区域分割之聚类方法

5.2 基于超像素的区域分割

超像素图像分割基于依赖于图像的颜色信息及空间关系信息，将图像分割为远超于目标个数、远小于像素数量的超像素块，达到尽可能保留图像中所有目标的边缘信息的目的，从而更好的辅助后续视觉任务（如目标检测、目标跟踪、语义分割等）。

超像素是由一系列位置相邻，颜色、亮度、纹理等特征相似的像素点组成的小区域，我们将其视为具有代表性的大“像素”，称为超像素。超像素技术通过像素的组合得到少量（相对于像素数量）具有感知意义的超像素区域，代替大量原始像素表达图像特征，可以极大地降低图像处理的复杂度、减小计算量。

超像素分割的结果是覆盖整个图像的子区域的集合，或从图像中提取的轮廓线的集合。 超像素的数量越少，丧失的细节特征越多，但仍然能基本保留主要区域之间的边界及图像的基本拓扑。

超像素一般不会破坏图像中物体的边界信息，经常用于图像分割算法的预处理，例如：跟踪，标签分类，视频前景分割，骨架提取、人体姿态估计、医学图像分割。

常用的超像素分割方法有：简单线性迭代聚类（Simple Linear Iterative Clustering，SLIC）、能量驱动采样（Super-pixels Extracted via Energy-Driven Sampling，SEEDS）和线性谱聚类（Linear Spectral Clustering，LSC）。

通常，使用以下标准评价超像素分割的性能：

• 部分性（ Partition）：每一个像素都应该属于某一个超像素，图像由超像素组成；
• 连通性（ Connectivity）：超像素中的像素应该是连通的；
• 边界附着（Boundary Adherence）：超像素的边界应该能保持图像本身的边界；
• 紧凑、规则和平滑（Compactness, Regularity and Smoothness）：在没有图像边界的情况下，超像素应该是致密的、规则的，并且显示出平滑的边界。

5.3 SLIC 超像素区域分割

SLIC 基于网格化 K-means 聚类方法，原理简单，计算复杂度为O(N)，N 为像素点个数。

SLIC 通常使用包含三个颜色分量和两个空间坐标的五维向量，例如 $z=[r,g,b,x,y{]}^T$。以均匀的规则网格取样点的初始的聚类中心，用 k-means 聚类算法计算出聚类中心和边界。

对彩色图像可以使用 RGB 颜色空间，也可以转化为 CIELab 或其它颜色空间。对于灰度图像，则使用灰度级与空间坐标构成的三维向量。

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 的优点是：（1）生成的超像素紧凑整齐，邻域特征比较容易表达；（2）可以应用于彩色图像或灰度图像；（3）参数设置少，基本参数只有超像素数量；（4）运行速度、超像素紧凑度、轮廓保持都比较理想。

SLIC 具体实现步骤：

（1）初始化种子点（聚类中心）：按照设定的超像素个数均匀分配种子点。若图像共有 N 个像素，预分割为 K 个超像素，则每个超像素大小为 N/K ，相邻种子点的距离（步长）近似为 S=sqrt(N/K)。

（2）在种子点的邻域（n=3）内重新选择种子点：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的像素点，以避免种子点落在梯度较大的轮廓边界上。

（3）在每个种子点周围的邻域内为每个像素点分配聚类标签（属于哪个聚类中心）。作为对 k-means 聚类的改进，SLIC 将搜索范围从整幅图像缩小到 2S*2S，可以加速算法收敛。

（4）计算距离度量。对于搜索到的每个像素点，分别计算其与种子点的距离。

（5）迭代优化种子点。理论上上述步骤不断迭代直到误差收敛，实践发现迭代 10次就可以得到较理想的效果。

（6）增强连通性。经过上述迭代优化可能出现：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决。

SLIC 使用是欧几里德距离来度量像素点的相似度，考虑的只是像素点与聚类中心的关系，并不能反映颜色的方差，因此对于五彩斑斓的图像区域的细节处理效果比较差。

例程 11.28： SLIC 超像素区域分割

OpenCV 在 ximgproc 模块提供了 cv.ximgproc.createSuperpixelSLIC 函数实现SLIC算法。

该函数用于初始化输入图像的 SuperpixelSLIC 对象。它设置所选超级像素算法的参数，即：区域大小和标尺。它为给定图像上的未来计算迭代预先分配了一些缓冲区。对于最终结果，建议彩色图像使用一个小的3 x 3内核预处理具有少量高斯模糊的图像，并将其额外转换为CieLAB颜色空间。SLIC与SLICO和MSLIC的对比示例如下图所示。

函数说明：

cv.ximgproc.createSuperpixelSLIC(image[, algorithm=SLICO, region_size=10, ruler=10.0f]) → retval

参数说明：

• image：原始图像
• algorithm：选择算法
  • SLIC ：使用所需的区域大小分割图像
  • SLICO ：使用自适应紧致因子进行优化
  • MSLIC ：使用流形方法进行优化
• region_size：区域尺寸，以像素为单位的超像素大小，默认值 10
• ruler：超像素的平滑因子，默认值 10

MSLIC 是对 SLIC 的优化，密集区域的超像素较小，稀疏区域的超像素较大，从而产生对内容更敏感的超像素。

    # 11.28 SLIC 超像素区域分割
    # 注意：本例程需要 opencv-contrib-python 包的支持
    img = cv2.imread("../images/imgLena.tif", flags=1)  # 读取彩色图像(BGR)
    imgHSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV_FULL)  # BGR-HSV 转换

    # SLIC 算法
    slic = cv2.ximgproc.createSuperpixelSLIC(img, region_size=10, ruler=10.0)  # 初始化 SLIC
    slic.iterate(10)  # 迭代次数，越大效果越好
    label_slic = slic.getLabels()  # 获取超像素标签
    number_slic = slic.getNumberOfSuperpixels()  # 获取超像素数目
    mask_slic = slic.getLabelContourMask()  # 获取 Mask，超像素边缘 Mask==1
    mask_color = np.array([mask_slic for i in range(3)]).transpose(1, 2, 0)  # 转为 3 通道
    # mask_color= cv2.COLOR_GRAY2RGB(mask_slic)  # 灰度 Mask 转为 RGB
    img_slic = cv2.bitwise_and(img, img, mask=cv2.bitwise_not(mask_slic))  # 在原图上绘制超像素边界
    imgSlic = cv2.add(img_slic, mask_color)

    plt.figure(figsize=(9, 7))
    plt.subplot(221), plt.axis('off'), plt.title("Origin image")
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 显示 img(RGB)
    plt.subplot(222), plt.axis('off'), plt.title("SLIC mask")
    plt.imshow(mask_slic, 'gray')
    plt.subplot(223), plt.axis('off'), plt.title("SLIC image")
    plt.imshow(cv2.cvtColor(img_slic, cv2.COLOR_BGR2RGB))
    plt.subplot(224), plt.axis('off'), plt.title("SLIC image")
    plt.imshow(cv2.cvtColor(imgSlic, cv2.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()

（本节完）

---

版权声明：

OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124550523)

Copyright 2022 youcans, XUPT
Crated：2022-5-4

欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中

【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子
【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法
【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长
【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离
【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类
【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割