超像素(superpixel)——SLIC和深度学习法

定义

可以理解成在图像上做的聚类问题。超像素的做法是将感知上相似的像素组在一起，称为一个超像素，以此来提供图像数据的紧凑表示。然后在后续的处理，处理单位就变成了超像素，而不是我们常用的像素。

一般超像素的结果可以为下游任务提供帮助，比如说语义分割、对象检测等。

SLIC

Simple Linear Iterative Clustering，简单的线性迭代聚类

论文：2011-PAMI-SLIC Superpixels Compared to State-of-the-art Superpixel Methods

前提：这个算法实在CIELAB这个颜色空间上做的，即每个pixel的值用来表示，其中表示亮度（取值范围0-100，数值越大越亮）；表示红色到绿色之间的色域（负值表示绿色，正值表示红色）；表示黄色和蓝色之间的色域（负值表示蓝色，正值表示黄色）。

符号表示：

假设一张图片有N个像素，需要我们人为去设定的超参数有且仅有一个，就是超像素的个数k。

那么，每个超像素的平均面积是,每个超像素中心的平均间隔是

算法实现：

关于初始化：

1. 初始化各个超像素中心的位置。比如一张图片的大小为，将其均分成个grid，然后设置每个grid的中心为一个超像素的中心。
2. 微调这些超像素的中心，在以它们为中心的邻域里进行计算，将超像素中心更换成其中梯度值最小的。这样做的目的是为了防止超像素中心落在边缘/噪点上。
3. 标签表示像素i属于哪一个superpixel，距离表示像素i与其所属的superpixel的中心的距离。初始化每一个像素i的，

进行下面迭代直到收敛，收敛的前提是误差满足一定要求：

对于每个聚类中心：

        对于以其为中心的邻域内的每个像素i： 

                计算与i之间的距离D

                如果，那么更新，。

         &n