(超象素）1.理解：

超象素不是在普通的象素基础上继续微观细分，超象素是一系列象素的集合，这种象素具有类似的颜色、纹理等特点，距离也比较近。其中超象素比较常用的一种方式是SLIC

SLIC超象素

?简单的线性迭代降维，将彩色图象转化为颜色空间和XY座标下的5维特点向量，之后对5维特点向量构造距离测度标准，对图象象素进行局部降维的过程。SLIC算法能生成紧凑、近似均匀的超象素，在运算速率，物体轮廓保持、超象素形状方面具有较高的综合评价

SLIC的优点：

1.生成的超象素犹如细胞通常紧凑整齐，领域特点比较容易抒发，这样基于象素的方式可以很容易改建维基于超象素的方式

2.除了可以分割彩色图，还可以分割灰度图

3.须要设置的参数十分少，默认情况下只须要设置一个预分割的超象素的数目

4.相比其他超象素分割方式，SLIC在运行速率、生成超象素的速率、轮廓保持方面都比较理想

SLIC实现的步骤：

1.初始化种子点（降维中心）：根据规定的超象素个数，在图象内均匀的分配种子点。假定图片总共有N个象素点，预分割为为K个相同规格的超象素像素种子网，这么每位超象素的大小为N/K像素种子网，则相邻种子点的距离（步长）近似为S=sqrt(N/K)(降维过程从初始化步骤开始，k个降维中心在间隔S个象素的规则网格上取样，为了形成大致相等的超象素，网路间隔为S=(N/k)^1/2)。

2.在种子点的n*n（n=3)邻域内重新选择种子点：将中心联通到3X3领域中的最低梯度位置相对应的种子位置。这样是为了防止超象素定位在边沿上，但是降低用噪音象素接触超象素的机会，以免影响后续的降维疗效。

3.在每位种子点周围的领域内为每位象素点分配标签。（每位象素i与搜索区域与其位置重叠的近来降维中心相关联，因为限制搜索区域的大小显着地降低了距离估算的数目，而且造成相对于常规降维的显着的速率优势，其中每位象素必须与所有降维中心比较，对该算法加速起到了作用。

4.这只能通过引入距离检测D来实现，该距离检测D确定每位象素的近来降维中心

其中dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns=S=sqrt(N/K)，适用于每位降维。最大的颜色距离Nc既随图片不同而不同，也随降维不同而不同，所以我们取一个固定常数m（取值范围[1,40],通常取10）取代。最终的距离测度D’：

因为每位象素点就会被多个种子点搜索到，所以每位象素点就会有一个与周围种子点的距离，取最小值对应的种子点作为该象素点的降维中心。

5.迭代优化。理论上上述步骤不断迭代直至偏差收敛（可以理解为每位象素点降维中心不再发生变化为止），10次迭代对绝大部份图片都可以得到较理想疗效，所以通常迭代次数取10（L2范数用于估算新降维中心位置和以前降维中心位置之间的方差偏差E）

6.将不相交象素重新分配给附近的超象素来施行连通性

算法如下：

算法 SLIC超像素分割
/*初始化*/
通过以步长S对像素进行采样初始化聚类中心Ck=[lk,ak,bk,xk,yk]T
移动聚类中心到3X3中梯度最小的位置
设置标签l(i)=-1对每个像素i
设置距离d(i)=无穷 对灭个像素i
重复
/*分配*/
for 每个聚类中心Ck
    for 每个像素i在Ck周围的2SX2S区域
    计算Ck与i的距离D
       if D