SLIC超级像素分割算法的原理与实现+文献综述(3)
4.2 目标追踪 ……………………………………………………………………… 26
4.3 特征检测………………………………………………………………………… 27
结论 ………………………………………………………………………………… 29
致谢 ………………………………………………………………………………… 30
参考文献……………………………………………………………………………… 31
1 引言
1.1 研究背景与意义
随着计算机技术的迅猛发展和相关理论的不断完善，数字图像处理技术越来越广泛地应用于各个研究领域。目前对图像的处理大多以像素为单位，像素二文矩阵中包含了大量冗余的信息，这使得在图像处理的实际应用中，要处理的数据量很大，需要花费的运行时间很长。而解决这个问题的方法之一，是将图像预处理与预分割为超级像素（superpixel）。
2003年，Ren等人[2]最早提出了超级像素这一概念。所谓超级像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息[2]。通过将原始图像预处理分割为超级像素，以超级像素代替原始像素点，可以在很大程度上降低后续图像处理任务的复杂度。目前，经过多年的研究，已经有许多超级像素生成算法被提出。
一个超级像素生成算法想要进行实际应用，必须快速、易用，并且能产生高质量的分割。然而，大多数现有的超级像素算法没能全部达到这些要求。它们经常受制于大的计算开销，低品质的分割，不一致的形状和大小，或是包含许多难以理解的参数。在2010年，R.Achanta等人提出的SLIC算法[1]则刚好解决了以上的问题，达到了一个优秀的超级像素分割算法的要求。本文就对SLIC超级像素生成算法进行深入的探讨，包括SLIC算法的工作原理、设计实现、在数据集上的实验结果及分析、改进扩展和实践应用这几个方面。
1.2 超级像素研究现状
由于超级像素能够提取中层图像特征，它通常作为图像分割算法的预处理步骤，可以提高后续图像分割算法的运算速度[4,5]。此外，许多的研究工作表明，超级像素技术已成功应用于多种计算机视觉任务，如深度估算[3]、骨架提取[6]、人体姿势估计[7,8]、目标识别[9,10]等，因此它在计算机视觉应用中也越来越受到研究者的重视，具有很大的发展潜能和应用价值。本文现在就对现有的超级像素分割算法进行介绍和分析。
超级像素生成算法大致可分为基于图论的方法和基于梯度上升的方法两类。具有代表性的基于图论的超级像素分割方法有：Fezenszwalb等人提出的Graph-based image segmentation[11]方法，Shi等人提出的Normalized cuts[12,13]方法，Moore等人提出的Superpixel Lattices[14]方法等。而对于基于梯度上升的方法，比较著名的方法包括：Vincent等人提出的Watersheds[15]方法，Comaniciu等人提出的Mean shift[16]方法，Vedaldi等人提出的Quick shift[17]方法和Levinshtein等人提出的Turbopixels[18]方法等。