比較的指標：圖像邊界的粘附性、算法速度、存儲效率、分割性能

超像素算法：將像素組合成感知有意義的原子區(qū)域( atomic regions)，其可以用于替換像素網(wǎng)格的剛性結構。它們捕獲圖像冗余，提供計算圖像特征的方便原語( primitive )，并且大大降低了后續(xù)圖像處理任務的復雜性。

超像素：能夠提取中層圖像特征，作為圖像分割算法的預處理步驟。

一、基于圖論的方法

Graph-based方法——使用最小生成樹的思想，目的是使同一區(qū)域內的元素盡可能相似而不同區(qū)域的元素盡可能不相似 [圖像邊界較好且速度快，但超像素大小和形狀都不規(guī)則，也就是不能控制超像素的數(shù)量和緊湊度]

Ncut方法——利用輪廓特征和紋理特征來全局最小化代價函數(shù) [可控制數(shù)量且形狀規(guī)整緊湊，但圖邊界效果不好，計算量大，處理大圖片時速度很慢]? //不用

Superpixel lattice無監(jiān)督的過分割方法——保持圖像拓撲結構信息的貪心算法 [性能嚴重依賴于預先提取的圖像邊界]

基于熵率——包括隨機游走熵率和平衡項的目標函數(shù)，通過最大化目標函數(shù)以是實現(xiàn)分割 [產(chǎn)生的超像素規(guī)則且均勻]

二、基于梯度下降的方法（采用聚類的基本思想

分水嶺Watershed方法——基于拓撲理論的數(shù)學形態(tài)學分割，速度快但不能控制超像素的個數(shù)和緊湊度

MeanShift方法——迭代模態(tài)搜索過程，它產(chǎn)生規(guī)則形狀的超像素，但速度慢且不能控制超像素的數(shù)量、大小、緊湊度 ?//不用

Quick-shift方法

Turbopixels方法——基于幾何流的水平集方法，對初始種子點逐步進行碰撞，最終將超像素近似地平均分布到圖像平面上

SLIC(simple linear iterative clustering)方法——基于顏色和距離相似性進行的超像素分割，它可以產(chǎn)生大小均勻、形狀規(guī)則的超像素

總結

以上是生活随笔為你收集整理的超像素分割算法分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。