超像素算法有很多，SLIC是效果比较好的一种，今天介绍SLIC算法。
SLIC算法与K-means有些类似。
主要步骤
- 将图像转换为CIE Lab颜色空间
- 初始化
k个种子点（聚类中心），在图像上平均撒落k个点，k个点均匀的占满整幅图像。 - 对种子点在内的
n*n（一般为3*3）区域计算每个像素点梯度值，选择值最小（最平滑）的点作为新的种子点，这一步主要是为了防止种子点落在了轮廓边界上。 - 对种子点周围
2S*2S的方形区域内的所有像素点计算距离度量（计算方法在后文），对于K-means算法是计算整张图的所有像素点，而SLIC得计算范围是2S*2S，所以SLIC算法收敛速度很快！
其中S = sqrt(N/k)，N是图像像素个数。
- 因为图像上的每个像素点都可能被几个种子点计算距离度量，选择其中最小的距离度量对应的种子点作为其聚类中心。
距离度量
前文说了图像是要转换为Lab颜色空间的，现在提取此三个颜色通道l、a、b，计算：
可以看到，距离度量有两部分，
dc表示颜色度量，ds表示距离度量，另外Ns = S = sqrt(N/k)，Nc用常数m代替，m在算法中可以调整，所以有：
我们来分析一下这个变量
m：
- 当
m值比较大时，空间度量在距离测量过程中所占比重就比较大，那么生成的超像素比较紧凑。 - 当
m值比较小时，颜色度量所占的比重就比较大，那么生成的超像素在边缘部分较为紧凑，但形状和大小不规则。
此外，灰度图像和三维图像的计算公式是：
所以，在SLIC算法中，有两个变量种子个数k和m，上张图看一下不同的k和m的分割效果。
