基于SLIC超像素的归一化分割算法

论文：基于SLIC超像素的归一化分割方法研究

归一化分割的缺点：单独使用时无法区分很接近的图像区域，实时性也差。

区域接近问题：描述图像间相互关系的权重函数的取值，体现图像间的信息特征，影响分割效果。如果仅将权重函数作为图像信息间的唯一特征信息，当像素之间非常接近时，类间差异性的区分能力下降，影响图像分割，会导致欠分割。——优化权重函数计算公式

实时性差问题：求解最优划分准则面临NP难问题。虽转换到求特征方程的特征向量系统来实现，但还是费时。尤其求解大规模权重矩阵的特征向量时，费时费空间。尺寸大导致费时。

提出改进算法——基于SLIC超像素的归一化分割算法（归一化分割运用在超像素上，而不是原始图像的像素上——解决速度慢问题；相比于基于像素的权重矩阵，利用低维度的基于超像素的权重矩阵——增加分割精确性）

步骤：SLIC对图像进行预分割处理得到一定数量的超像素——>针对超像素构建区域邻接图——>运用归一化分割算法合并(改进原算法中的权重函数)

具体流程

用得到超像素的图像建立无向的区域邻接图(这个作为归一化分割算法的输入)——归一化分割算法(利用超像素区域点构造出权重矩阵W，然后解系统（D-W）x=λDx，得到最小特征值对应的特征向量，用第二小的特征值对应的特征向量来将图分成两部分)

其中，上面步骤中连接两个超像素区域点的权重函数由图像亮度值和空间位置定义为：

 展望

1.归一化分割合并算法中有K和和三个参数要手动设置。依赖于图像的内容和大小，不同图像内容大小又不一样。建议设置出自适应参数的归一化分割算法。

2.本文算法的相似度函数仅用到了颜色和空间信息。建议将纹理信息加入到计算相似度函数中。