OpenCV 例程200篇 总目录-202205更新

【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较

5. 区域分割之聚类方法

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 z=[r,g,b,x,y]^T 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。

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。

例程 11.29： SLIC 超像素区域分割之算法比较

    # 11.29 SLIC 超像素区域分割之算法比较
    # 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
    plt.figure(figsize=(9, 7))
    plt.subplot(221), plt.axis(\'off\'), plt.title(\"Origin\")
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 显示 img1(RGB)

    algorithms = [
        (\'SLIC\', cv2.ximgproc.SLIC),  # 使用所需的区域大小分割图像
        (\'SLICO\', cv2.ximgproc.SLICO),  # 使用自适应紧致因子进行优化
        (\'MSLIC\', cv2.ximgproc.MSLIC)]  # 使用流形方法进行优化，产生对内容更敏感的超像素
    region_size = 20
    ruler = 10
    edgeColor = np.ones((img.shape[0], img.shape[1], 3), np.uint8) * 255
    for i in range(3):
        slic = cv2.ximgproc.createSuperpixelSLIC(imgHSV, algorithms[i][1], region_size, float(ruler))
        slic.iterate(5)  # 迭代次数，默认 10 次
        slic.enforceLabelConnectivity(100)  # 最小尺寸
        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
        img_slic = cv2.bitwise_and(img, img, mask=cv2.bitwise_not(mask_slic))  # 在原图上绘制超像素边界

        plt.subplot(2,2,i+2), plt.axis(\'off\'), plt.title(\"Slic ({})\".format(algorithms[i][0]))
        plt.imshow(cv2.cvtColor(img_slic, 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/124576598)

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】171.SLIC 超像素区域分割
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割
【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割
【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较
更多内容，请见：
【OpenCV 例程200篇 总目录-202206更新】