《slic superpixels》
slic： ****** linear iterative clustering的簡稱，即簡單的線性迭代聚類。
這是乙個基於聚類演算法的超畫素分割，由lab空間以及x、y畫素座標共5維空間來計算。不僅可以分割彩色圖，也可以相容分割灰度圖，它還有乙個優點就是可以人為的設定需要分割的超畫素的數量。
實現方法：
1）初始化聚類中心：按照設定的超畫素個數，在影象內均勻的分配聚類中心
2）在n*n鄰域內打亂聚類中心（n作者取3），講聚類中心移到鄰域內梯度最小的地方，這樣是為了防止聚類中心落在邊界上。
3）在聚類中心的2s*2s的鄰域內為每個聚類中心分配匹配點，按照各點與聚類中心的設定距離來計算（距離由labxy計算得出，具體公式見文章）。（對於這一點我有點不太理解，在這個鄰域內，不比較怎樣知道哪個點屬於自己，哪個點不屬於？我的理解是，該鄰域內的點的到該聚類中心的距離，與該點屬於其他鄰域時到其他聚類中心的距離做比較，該點最後應該聚類到離其距離最近的聚類中心。）（s為步長，根據要分割的超畫素的個數決定。）
4）計算新的聚類中心與之前聚類中心的l1距離，根據閾值判斷是否需要重新打亂聚類中心（即一直進行迭代運算，知道近兩次的聚類中心之間的距離小於某一閾值）。
5）結束運算
附：步長s：假設畫素總數為n，要分成k個超畫素，則s=sqrt（n/k）
SLIC超畫素分割詳解
slic超畫素分割詳解 一 超畫素概念是2003年xiaofeng ren提出和發展起來的影象分割技術，是指具有相似紋理 顏色 亮度等特徵的相鄰畫素構成的有一定視覺意義的不規則畫素塊。它利用畫素之間特徵的相似性將畫素分組,用少量的超畫素代替大量的畫素來表達特徵,很大程度上降低了影象後處理的複雜度，所...
基於SLIC分割的特徵點檢測
一 pipeline 1 基於模型的pose估計綜述 對於乙個3d模型，可以投影到平面，得到不同的位姿，而pose識別是利用所見的2.5d影象，來估計模型，並同時識別出位姿。3d模型投影時注意的幾點 1.投影模型在投影前必須進行點雲補全，設定乙個閾值t，利用貪婪演算法進行模型補全，以免透視穿透現象 ...
SLIC超畫素（superpixel）演算法
slic演算法是 linear iterative cluster的簡稱，該演算法用來生成超畫素 superpixel 演算法大致思想是這樣的，將影象從rgb顏色空間轉換到cie lab顏色空間，對應每個畫素的 l，a，b 顏色值和 x，y 座標組成乙個5維向量v l,a,b,x,y 兩個畫素的相似...