郑金云, 蓝如师, 王小琴

(桂林电子科技大学 计算机与信息安全学院, 广西 桂林 541004)

超像素分割是指将图像依据灰度、颜色、纹理等低级特征相似的相邻像素分割成具有一定视觉意义的不规则像素块。用少量的超像素代替大量的像素来表达图片信息,可以大幅减少处理对象的数量,提高后续处理的效率。超像素分割作为一种有效的图像预处理手段,被广泛应用于目标识别[1-4]、图像分割[5-10]、目标跟踪[11-13]等计算机视觉任务中。

在2003年至今的十几年里,针对不同的计算机视觉需求,学者们提出了多种超像素分割算法。Zhang等[14]提出的一种伪布尔优化算法(pseudo boolean,简称PB),能获得较高的分割精度,但每张图像处理时间约为0.5 s,时间复杂度高。Achanta等[15]提出的简单线性迭代聚类方法(simple linear iterative clustering,简称SLIC)是由k-means算法改进而来,像素点的表示基于Lab颜色特征和空间特征。与传统的k-means算法不同的是,该方法的种子点只搜索某个尺寸远小于图像像素总数的局部区域,使得SLIC方法的时间复杂度比传统k-means算法要低。Hu等[16]基于分水岭算法,提出了一种空间约束的分水岭算法(watershed superpixel,简称SCoW)。SCoW基于Lab颜色特征和颜色梯度特征表示像素点,通过一系列均匀标签来进行分水岭分割。该算法引入边缘预处理来确保均匀性和紧凑性之间的平衡,以牺牲精度为代价,达到了高效的分割速度。Achanta等[17]提出了基于SLIC改进版的(simple non-iterative clustering,简称SNIC)方法。在SNIC方法中,种子点仅搜索4邻域或8邻域区域来进行聚类。SNIC方法计算更少距离对,节省时间和空间成本,增强了超像素间的连通性,但不能较好地贴合图像边缘。……