SLIC（simple linear iterativeclustering），即 简单线性迭代聚类 。
💛它是2010年提出的一种思想简单、实现方便的算法，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。
💛SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。其实是从k-means算法演化的，算法复杂度是O(n)，只与图像的像素点数有关，而与k值无关。而常规的k均值算法的复杂度是O(kni),i为迭代次数。
SLIC主要优点如下：
1）生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。
2）不仅可以分割彩色图，也可以兼容分割灰度图。
3）需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。
4）相比其他的超像素分割方法，SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。
超像素：
💛超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术。
💛是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。
💛它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征（捕获图像的冗余信息）,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。
💛已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用。需要注意的是，超像素分割算法很可能把同一个物体的不同部分分成多个超像素。
SLC的创新点：
1.SLIC限制聚类时搜索的区域（2Sx2S）————》原K均值算法中，计算的是聚类中心到图像中的每个像素的距离——》把k-means的算法复杂度降为常数，整个算法复杂度为线性
2.距离度量考虑lab颜色和xy距离，五维数据。 且可以考虑颜色和距离的比重，使超像素更加灵活。
SLIC算法步骤分析：
💚均匀撒k个种子并移动到梯度最小的地方——》为每个像素计算D并分配种子标签——》重新计算聚类中心——》增强区域连通性解决孤立点和超像素过小情况
💛对源文章过程的解析：
step1：初始化聚类中心且用五维数据表示，聚类中心 之间的间隔为S（步长s对像素进行采样，初始化聚类中心）
step2：移动聚类中心到33范围内梯度最低的地方
step3：对每一个像素i，设置label。取label第一个字母l表示label。l表示为每个像素点是属于哪个超像素，初始设置为-1
step4：对每个像素i，设置距离d(i)=正无穷 【ps.因为后面更新的时候，是根据距离数值小的点进行更新】
step5.循环以下过程————对每个聚类中心外循环，在围绕聚类中心的2s2s范围内的对每个像素i内循环—》如果距离度量值D数值小，就更新d(i)的值，将label(i)设置为所对应的超像素
step6.计算新的聚类中心和先前聚类中心位置之间的残差误差E。迭代直到错误收敛。 【ps.一般迭代10次差不多了】
1.撒种子。根据图像大小和定义的超像素数目K，将k个超像素中心均匀分布到图像的像素点上。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。
2.调整种子位置。以k为中心的nn（一般n取3，故为33）范围内，将超像素中心移动到这9个点中梯度最小的点上。目的是为了避免超像素点落入噪点或边界处。
3.初始化数据。在每个种子点周围的邻域内为每个像素点分配类标签lable（即该像素点是属于哪个聚类中心的）。做法：取一个数组label，保存每个像素点是属于哪个超像素。dis数据保存像素点到它属于的那个超像素中心之间的距离。
4.更新数据。对每一个超像素中心x，在其2s*2s范围内搜索；如果点到超像素中心x的距离(五维)小于点到它原来属于的超像素中心的距离，说明这个点属于超像素x。（新距离小于旧距离，则点属于新范围。更新dis，更新label）----》每个像素必须与所有聚类中心比较，通过引入距离测量D值。**【期望的超像素尺寸为SS，但是搜索的范围是2S2S】【由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。】**
5.计算。对每一个超像素中心，重新计算它的位置（属于该超像素的所有像素的位置中心）以及lab值。
6.迭代4、5步骤。【理论上上述步骤不断迭代直到误差收敛（可以理解为每个像素点聚类中心不再发生变化为止），实践发现10次迭代对绝大部分图片都可以得到较理想效果，所以一般迭代次数取10。】
后处理步骤：
可能存在不属于任何聚类的孤立像素，可以使用联通分量算法对这些像素分配最近聚类中心的标签。
💛增强连通性。经过上述迭代优化可能出现以下瑕疵：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决。
💛主要思路是：新建一张标记表，表内元素均为-1，按照“Z”型走向（从左到右，从上到下顺序）将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。
关键步骤：
4和5【用到了k-means算法的思想】
💛步骤4相当于：知道超像素点，然后再给定一系列像素点。将像素点分类到某一超像素类中。
💛步骤5相当于：计算某类超像素类中，像素点的中心，然后让超像素点移动到刚才计算出来的中心位置。
💛迭代相当于：再让所有像素点分到某一超像素圈圈中，然后重新计算像素点中的中心，移动超像素中心到刚才的中心。然后重复。
注意：SLIC和K-means的区别是SLIC加快了计算速度，即，进行步骤4时只计算超像素中心有限范围内的点。
Lab彩色空间介绍：
L：亮度。值域为0(黑)~100(白)
a：从洋红色至绿色的范围。(a为负数指代绿色，a为正数指代品红色)
b：从黄色至蓝色的范围。（b为负数指代蓝色，b为正数指代黄色）
💛LAB彩色模型的最大优点：弥补了RGB彩色模型中色彩不均匀的缺点。因为RGB模型在蓝色到绿色之间的过渡色彩过多，而绿色到红色之间又缺少黄色和其他颜色。故，选择LAB色彩模型，可以保留尽量宽阔的色域和颜色。【
1）不像RGB和CMYK色彩空间，Lab 颜色被设计来接近人类生理视觉。它致力于感知均匀性，它的 L 分量密切匹配人类亮度感知。因此可以被用来通过修改 a 和 b 分量的输出色阶来做精确的颜色平衡，或使用 L 分量来调整亮度对比。这些变换在 RGB 或 CMYK 中是困难或不可能的。
2）因为 Lab 描述的是颜色的显示方式，而不是设备（如显示器、打印机或数码相机）生成颜色所需的特定色料的数量，所以 Lab 被视为与设备无关的颜色模型。
3）色域宽阔。它不仅包含了RGB，CMYK的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。
另外，Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。如果我们想在数字图形的处理中保留尽量宽阔的色域和丰富的色彩，最好选择Lab。
】
LAB色彩模型有L、A和B三个通道，L通道主要是亮度通道，L的值域由0（黑色）到100（白色）。A和B通道主要是负责色彩变换，a表示从洋红色至绿色的范围（a为负值指示绿色而正值指示品红），b表示从黄色至蓝色的范围（b为负值指示蓝色而正值指示黄色）。Lab颜色空间的优点：1）不像RGB和CMYK色彩空间，Lab 颜色被设计来接近人类生理视觉。它致力于感知均匀性，它的 L 分量密切匹配人类亮度感知。因此可以被用来通过修改 a 和 b 分量的输出色阶来做精确的颜色平衡，或使用 L 分量来调整亮度对比。这些变换在 RGB 或 CMYK 中是困难或不可能的。2）因为 Lab 描述的是颜色的显示方式，而不是设备（如显示器、打印机或数码相机）生成颜色所需的特定色料的数量，所以 Lab 被视为与设备无关的颜色模型。3）色域宽阔。它不仅包含了RGB，CMYK的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。另外，Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。如果我们想在数字图形的处理中保留尽量宽阔的色域和丰富的色彩，最好选择Lab。
距离的度量：
如果直接将l，a，b，x，y拼接成一个矢量计算距离，当超像素的大小变化时，x，y的值可以取到非常大 ，比如如果一张图10001000，空间距离可以达到1000Sqr(2)，而颜色距离最大仅10*Sqr(2)，导致最终计算得到的距离值中，空间距离ds权重占比过大。
所以需要进行归一化，除以最大值即超像素点的初始宽度S，将值映射到[0,1]。
而颜色空间距离也会给到一个固定的值m来调节颜色距离与空间距离的影响权重，m取值范围为[1,40]。
最终距离公式为D。
m还允许我们权衡颜色相似性和空间邻近度之间的相对重要性。
当m大时，（空间距离的权重越大）空间邻近性更重要，得到的超像素更紧凑（规则）
当m小时，（颜色距离权重更大）超像素更紧密的附着到图像边界，但具有较小的规则尺寸和形状（不规则）
可改进的点
1.撒种子步骤，原来是根据图像大小和超像素数目均匀撒的。
💛改：在初始种子点的n*n（一般n取3）个邻域内寻找更优的像素进行撒种子——计算邻域内所有像素的梯度值，把梯度值最小的像素点设置为新的超像素种子点——避免种子点落入轮廓或边界上
2.更新种子点步骤，原来是在updaye_clusters函数中根据当前超像素的所有归属像素来更新位置。
💛改：迭代引入滤波——去除超像素归属范围内与中心点在颜色空间上差异过大的像素点，用剩下的像素点更新聚类中心
3.SLIC的多次迭代中，对每一块超像素都进行迭代。
💛改：有些超像素块在迭代多次后变化不大了，所以可以设置一个准则，即本次迭代后的效果与上一次差别不大，则之后就不对此区域进行迭代。nChanges会在迭代过程中变化 ,如果nChanges小于阈值 则说明当前的超像素块 与 上一次迭代后变化不大 则直接跳出本次迭代
文章：Compact Watershed and Preemptive SLIC: On improving trade-offs of superpixel segmentation algorithms
double preemptive_thresh_iteration = 0.01; //设置的迭代阈值if(nChanges<preemptive_thresh_iteration*sz) break;
