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:hfor j=1:wtemp(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:hfor j=1:wblock=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:hfor j=1:wcolorC(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*wc=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:rowEndfor j=colStart:colEndcolorCur=M((j-1)*m+i,:);dc=norm(colorC-colorCur);ds=norm([i-rowCidx,j-colCidx]);d=dc^2+wDs*(ds/s)^2;if d<dis(i,j)dis(i,j)=d;Label(i,j)=k;endendendend%显示聚类结果temp=mod(Label,20)+1;figure;imagesc(label2rgb(temp-1,'jet','w','shuffle')) ;axis image ; axis off ;% 录制gifF=getframe(gcf);I=frame2im(F);[I,map]=rgb2ind(I,256);if iter == 1imwrite(I,map,'test.gif','gif','Loopcount',inf,'DelayTime',0.2);elseimwrite(I,map,'test.gif','gif','WriteMode','append','DelayTime',0.2);enditer=iter+1;% 更新聚类中心colorC=zeros(h,w,size(img,3));for k=1:h*wnum=0;sumColor=zeros(1,size(img,3));    sumR=0;sumC=0;c=floor((k-1)/h)+1;r=k-h*(c-1);rowCidx=rowC_std(r,c);colCidx=colC_std(r,c);rowStart=max(1,rowCidx-s);rowEnd=min(m,rowCidx+s-1);colStart=max(1,colCidx-s);colEnd=min(n,colCidx+s);for row=rowStart:rowEndfor col=colStart:colEndif Label(row,col)==knum=num+1;sumR=sumR+row;sumC=sumC+col;color=reshape(img(row,col,:),1,size(img,3));sumColor=sumColor+color;endendendcolorC(r,c,:)=sumColor/num;rowC(r,c)=round(sumR/num);colC(r,c)=round(sumC/num);enduniMat=cat(3,colorC,rowC,colC);uniMat=reshape(uniMat,h*w,size(img,3)+2);diff=uniMat-uniMat_old;diff(:,1:2)=sqrt(wDs)*diff(:,1:2)/s;err=norm(diff)/sqrt(h*w);if err<errTh %残差低于阈值，结束迭代break;end
end%% 后处理， 按照边界接触点数最多原则分配小连通域的标签
for k=1:h*wc=floor((k-1)/h)+1;r=k-h*(c-1);rowCidx=rowC_std(r,c);colCidx=colC_std(r,c);rowStart=max(1,rowCidx-s);rowEnd=min(m,rowCidx+s-1);colStart=max(1,colCidx-s);colEnd=min(n,colCidx+s);block=Label(rowStart:rowEnd,colStart:colEnd);block(block~=k)=0;block(block==k)=1;label=bwlabel(block);szlabel=max(label(:)); %标签个数bh=rowEnd-rowStart+1;bw=colEnd-colStart+1;  %block的宽高if szlabel<2  %无伴生连通域，略过continue;endlabelC=label(rowCidx-rowStart+1,colCidx-colStart+1); %主连通域的标记值top=max(1,rowStart-1);bottom=min(m,rowEnd+1);left=max(1,colStart-1);right=min(n,colEnd+1);for i=1:szlabel %遍历连通域if i==labelC %主连通域不处理continue;endmarker=zeros(bottom-top+1,right-left+1); %生成一个外扩一圈的marker，标记哪些点已经被统计过接触情况bw=label;bw(bw~=i)=0;bw(bw==i)=1; %当前连通域标记图contourBW=bwperim(bw); %求取外轮廓%             figure,imshow(contourBW);idxArr=find(double(contourBW)==1);labelArr=zeros(4*length(idxArr),1);  %记录轮廓点的4邻域点标记值的向量num=0;for idx=1:size(idxArr) %遍历轮廓点,统计其4邻域点的标记值bc=floor((idxArr(idx)-1)/bh)+1;br=idxArr(idx)-bh*(bc-1); %轮廓点在block中的行列信息row=br+rowStart-1;col=bc+colStart-1; %轮廓点在大图中的行列信息rc=[row-1,col;...row+1,col;...row,col-1;...row,col+1];for p=1:4row=rc(p,1);col=rc(p,2);if ~(row>=1 && row<=m && col>=1 && col<=n && Label(row,col)~=k)continue;endif 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);endendendlabelArr(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);endidx=find(numArr==max(numArr));maxnumLabel=uniqueLabel(idx(1)); %接触最多的标签for row=rowStart:rowEndfor col=colStart:colEndif bw(row-rowStart+1,col-colStart+1)==0continue;endLabel(row,col)=maxnumLabel;endendend
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:mfor j=1:ntop=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;endend
end
figure,imshow(marker);I2=I;
for i=1:mfor j=1:nif marker(i,j)==1I2(i,j,:)=0;endend
end
figure,imshow(I2);

测试图像：

栅格划分结果：

聚类过程：

聚类最终结果：

连通域合并后的结果：

原图+轮廓线：

具体的我就不解释了，自觉程序写得还是很有条理的，读者自己跟踪程序运行进行理解吧。

超像素分割算法SLIC的matlab实现相关推荐

python-opencv实现图像超像素分割（SLIC、SEEDS、LSC）
转载自:苏格拉- PYTHON - OPENCV实现图像超像素分割(SLIC.SEEDS.LSC) 超像素超像素是把一张图片中具有相似特征的像素进行聚类,形成一个更具有代表性的大"像素&q ...
超像素分割（Slic算法）——个人梳理
一.使用背景我在进行乳腺癌图像识别的学校项目中,参考了山东大学的硕士论文,并希望加以简化复现,此论文会在文末附上.项目要求我们需要对乳腺癌图片进行分类(无肿瘤,良性肿瘤,恶性肿瘤),参照论文所说,我 ...
超像素经典算法SLIC的代码的深度优化和分析。
现在这个社会发展的太快,到处都充斥着各种各样的资源,各种开源的平台,如github,codeproject,pudn等等,加上一些大型的官方的开源软件,基本上能找到各个类型的代码.很多初创业的老板可能 ...
超像素经典算法SLIC的代码的深度优化
现在这个社会发展的太快,到处都充斥着各种各样的资源,各种开源的平台,如github,codeproject,pudn等等,加上一些大型的官方的开源软件,基本上能找到各个类型的代码.很多初创业的老板可能 ...
超像素分割算法————综述
参考:超像素-学习笔记什么是超像素?评价标准?SLIC.SEED.ETPS算法比较的指标:图像边界的粘附性.算法速度.存储效率.分割性能超像素算法:将像素组合成感知有意义的原子区域( atomi ...
SLIC图像超像素分割算法解析
转载自http://blog.chinaunix.net/uid-29431466-id-4831314.html 1 概述 SLIC 即simple linear iterative cluster ...
超像素分割算法matlab_像素不够，算法来凑。这个图像超分辨率项目帮你「拍」出高清照片...
图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像.图像超分辨率技术分为超分辨率复原和超分辨率重建.一位 Reddit 网友贴出了自己基于 Keras 的图像超分辨率项目,可以让照片放大 ...
julia 调用python库_Julia调用Python实现超像素分割SLIC算法
最近想要在julia中实现 Simple Linear Iterative Clustering (SLIC) 算法对图像进行超像素分割,关于SLIC超像素分割算法,请参考SLIC Superpixe ...
论文解读：《自适应非局部随机游动用于图像超像素分割》
论文解读:<Adaptive Nonlocal Random Walks for Image Superpixel Segmentation> 1.文章概述 2.背景 2.1 现有的超像素 ...
SLIC超像素分割的算法介绍和源码分析
前述最近在看显著性检测,发现很多算法的基础是超像素分割,而正在看的Saliency Optimization from Robust Background Detection算法的预处理是SLIC算 ...

超像素分割算法SLIC的matlab实现

超像素分割算法SLIC的matlab实现相关推荐

最新文章

热门文章