超像素分割-SLIC算法-用于图像分割领域-matlab代码-可直接使用

%SLIC算法 %输入参数： %I 为RGB图像 %numseeds 种子点数量 %compactness 颜色与空间距离相关性 function [labels]=SLIC(num_seeds,compactness,R,G,B) [M,N]=size(R); %图像总的像素数量 n_tp=M*N; %步进的间隔,补0.5的误差 step=floor(sqrt(n_tp/num_seeds)+0.5); %计算种子点及数量 [seeds,num_seeds]=GetSeeds(step,M,N,R,G,B); %计算超像素集合 [seeds,labels]=SuperpixelSLIC(seeds,num_seeds,M,N,step,compactness,R,G,B); %强制类别连通 k=floor(M*N/(step*step)); labels=EnforceLabelConnectivity(labels,M,N,num_seeds,k); end %%调整图像的种子点 %输入参数： % step 步进间隔 % M 图像的高度 % N 图像的宽度 % R 颜色R分量 % G 颜色G分量 % B 颜色B分量 function [seeds,num_seeds]=GetSeeds(step,M,N,R,G,B) %种子点集合,分别为R,G,B,x,y seeds=zeros(1,5); %注意，这里的x,y与实际相反 %计算坐标误差 xstrips=floor(M/step); ystrips=floor(N/step); %计算x坐标误差 xerr=floor(M-step*xstrips); if xerr<0 xstrips=xstrips-1; xerr=floor(M-step*xstrips); end %计算y坐标误差 yerr=floor(N-step*ystrips); if yerr<0 ystrips=ystrips-1; yerr=floor(N-step*ystrips); end xerrperstrip=xerr/xstrips; yerrperstrip=yerr/ystrips; xoff=floor(step/2); yoff=floor(step/2); %种子点计数器 n=1; %实际的种子点数量 num_seeds=xstrips*ystrips; for x=0:xstrips-1 xe=floor(x*xerrperstrip); for y=0:ystrips-1 ye=floor(y*yerrperstrip); %种子点的y坐标 seedy=floor(y*step+yoff+ye); %种子点的x坐标 seedx=floor(x*step+xoff+xe); seeds(n,1)=R(seedx,seedy); seeds(n,2)=G(seedx,seedy); seeds(n,3)=B(seedx,seedy); seeds(n,4)=seedx; seeds(n,5)=seedy; n=n+1; end end end %计算超像素集合 function [seeds,labels]=SuperpixelSLIC(seeds,num_seeds,M,N,step,compactness,R,G,B) %每个像素的距离设定，正无穷大 d=Inf(M,N); %图像像素点的类别矩阵 labels=-1*ones(M,N); %偏移量 offset=step; if step<8 offset=step*1.5; end invwt=1/(step/compactness)^2; %迭代计算中心种子点 for itr=1:10 for i=1:num_seeds %计算x的最小区间 x_min=seeds(i,4)-offset; if x_min<1; x_min=1; end %计算x的最大区间 x_max=seeds(i,4)+offset; if x_max>M x_max=M; end %计算y的最小区间 y_min=seeds(i,5)-offset; if y_min<1; y_min=1; end %计算y的最大区间 y_max=seeds(i,5)+offset; if y_max>N y_max=N; end %计算2step*2step范围内的混合距离 for x=x_min:x_max for y=y_min:y_max %这里计算平方，不开方，只是为了比较大小，节省计算开销 d_color=(seeds(i,1)-R(x,y))^2+(seeds(i,2)-G(x,y))^2+(seeds(i,3)-B(x,y))^2; d_space=(seeds(i,4)-x)^2+(seeds(i,5)-y)^2; D=d_color+d_space*invwt; %更为精确的计算 % D=sqrt(d_color)+sqrt(d_space*invwt); if D<d(x,y) d(x,y)=D; labels(x,y)=i; end end end %重新计算该种子点的中心点 end end %创建新的种子点集合,分别为R,G,B,x,y，第6列为簇的大小 new_seeds=zeros(num_seeds,6); for x=1:M for y=1:N %图像x,y所在位置的类别号 label=labels(x,y); %将当前类别号在x,y点的R,G,B,x,y值进行累加 new_seeds(label,1)=new_seeds(label,1)+R(x,y); new_seeds(label,2)=new_seeds(label,2)+G(x,y); new_seeds(label,3)=new_seeds(label,3)+B(x,y); new_seeds(label,4)=new_seeds(label,4)+x; new_seeds(label,5)=new_seeds(label,5)+y; new_seeds(label,6)=new_seeds(label,6)+1; end end %计算新的种子点 for i=1:num_seeds seeds(i,:)=new_seeds(i,1:5)/new_seeds(i,6); end end %强制类别连通 function [labels,numlabels]=EnforceLabelConnectivity(labels,M,N,num_seeds,k) % nlabels=-1*ones(M,N); numlabels=num_seeds; sz=M*N; supsz=floor(sz/k); label=1; % oindex=1; %邻接类别 adjlabel=1; for x=1:M for y=1:N if nlabels(x,y)<0 %将点x,y类别号赋值 nlabels(x,y)=label; %查找x,y周围是否有邻接类别 if x-1>=1 && nlabels(x-1,y)>=1 adjlabel=nlabels(x-1,y); elseif x+1<=M && nlabels(x+1,y)>=1 adjlabel=nlabels(x+1,y); elseif y-1>=1 && nlabels(x,y-1)>=1 adjlabel=nlabels(x,y-1); elseif y+1<=N && nlabels(x,y+1)>=1 adjlabel=nlabels(x,y+1); end %查找所有与点x,y 4连通的点 %连通点(簇)计数器 count=1; %连通点堆栈 points=[x,y]; ps_back=[x,y]; while ~isempty(points) %取出堆栈中第一个点，并以此为中心开始搜索类别相同的点 p=points(1,:); %上点 if p(1)-1>=1 if nlabels(p(1)-1,p(2))<0 && labels(p(1)-1,p(2))==labels(x,y) points=cat(1,points,[p(1)-1,p(2)]); ps_back=cat(1,ps_back,[p(1)-1,p(2)]); nlabels(p(1)-1,p(2))=label; count=count+1; end end %下点 if p(1)+1<=M if nlabels(p(1)+1,p(2))<0 && labels(p(1)+1,p(2))==labels(x,y) points=cat(1,points,[p(1)+1,p(2)]); ps_back=cat(1,ps_back,[p(1)+1,p(2)]); nlabels(p(1)+1,p(2))=label; count=count+1; end end %左点 if p(2)-1>=1 if nlabels(p(1),p(2)-1)<0 && labels(p(1),p(2)-1)==labels(x,y) points=cat(1,points,[p(1),p(2)-1]); ps_back=cat(1,ps_back,[p(1),p(2)-1]); nlabels(p(1),p(2)-1)=label; count=count+1; end end %右点 if p(2)+1<=N if nlabels(p(1),p(2)+1)<0 && labels(p(1),p(2)+1)==labels(x,y) points=cat(1,points,[p(1),p(2)+1]); ps_back=cat(1,ps_back,[p(1),p(2)+1]); nlabels(p(1),p(2)+1)=label; count=count+1; end end points(1,:)=[]; end %如果簇的规模小于阈值，则将其合并到邻接类别中 if count<=supsz/4 while ~isempty(ps_back) p=ps_back(1,:);