圖像超像素（superpixels）分割算法——簡單線性迭代聚類（SLIC）

原理

　　SILC（simple linear iterative clustering）是一種圖像分割算法。默認狀況下，該算法的惟一參數是k，約等於超像素尺寸的指望數量。對於CIELAB彩色空間的圖像，在相隔S像素上採樣獲得初始聚類中心。爲了產生大體相同尺寸的超像素，格點的距離是$S=\sqrt{N/k}$。中心須要被移到3x3領域內的最低梯度處，這樣作是爲了不超像素中心在邊緣和噪聲點上。

　　接下來爲每個像素$i$設置最近的聚類中心，該聚類中心的搜索區域要覆蓋該像素的位置。這是本算法加速的關鍵，由於經過限制搜索區域的大小減少了距離計算的數量，而且相對於傳統的k-means聚類算法有顯著的速度優點，由於後者的每一個像素都必須和全部的聚類中心進行比較。一個超像素的預期空間範圍是約爲SxS的區域，這裏對於類似像素的搜索是在超像素中心的2Sx2S區域完成。

　　一旦每一個像素被關聯到最近的聚類中心後，就經過求聚類中心全部像素的均值來執行聚類中心的更新。使用$L_{2}$範數計算前一個聚類中心和當前聚類中心的殘差。assignment和update步驟被重複迭代直到偏差收斂，可是咱們發現對於大多數圖像10次迭代就夠了。

算法步驟

1）經過在常規網格步長S處採樣像素來初始化聚類中心

2）在3x3的領域內移動聚類中心到最低的梯度位置

3）爲每個像素$i$設置標籤$l(i)$

4）爲每個像素設置距離$d(i)=\infty$

5）對於每個聚類中心遍歷2Sx2S區域內的每個像素點，計算距離決定是否更新像素的標籤和距離

6）更新聚類中心

7）重複步驟5）6）直到收斂