第3章 实例分析
3.1 数据的收集与处理
3.1.1 数据集获取
为了进一步了解目前常用的几种超像素分割方法的性能,本文在Berkeley benchmark 标准数据集上进行了对比实验，验证的算法包括entropy rate( EＲ)、Ncut-based( Ncut-B) 、su- perpixel lattice( SL) 、Turbopixels( TP) 和SLIC。每幅图片大小为321 ×481，分割为约200 个超像素的结果，如图10所示。可以看出，EＲ算法较好地保持了图像的边界信息，但超像素的形状不太规整,分割每张图片的时间约为1.16 s。Ncut-B算法很好地保持了图像边界，且随着超像素个数的增加，超像素的形状会更规则，但它对图片的处理时间较长,分割 321 × 481 大小的图片为200个超像素需要2 min左右。SL算法的处理速度较快，大约0.36 s 就能将图片分割为网格状，但是它的分割效果质量严重受到输入边界图的影响。TP 和 SLIC 算法都能产生规则和紧凑的超像素,但TP法对边界的保持很差。
16
ER Ncut-B SL TP SLIC
图 10 多种超像素分割算法比较
而 SLIC 从边界保持、速度和超像素形状等方面具有较高的综合评价，比较符合人们期望的分割效果。在内存为3．00 GB， 处理器为IntelCore 2 的机器上，对上述各种超像素分割算法 的时间对比结果如表1 所示。
表 1 多种超像素分割算法时间对比结果
算法 分割时间（321 x 481图片）/s ER 1.16 Ncut-B 118.20 SL 0.36
算法 分割时间（321 x 481图片）/s TP 12.65 SLIC 1.23
3.2 图像处理效果的对比分析
3.2.1 分割结果比较
首先来看一下SLIC设定不同的K值，过分割也就是超像素分割的块数不同所对应的分割效果，
K=50 K=200 K=500
17
通过我们的研究，对上述几种生成超像素的计算方法在能否控制大小和数
目上以及所产生超像素的紧致性等方面进行了比较。根据我们的实验需要，综合考虑了超像素的计算方法在运算复杂度以及超像素质量的问题，我们最终选择 Normalized Cuts 作为初始过分割的方法。主要原因是 Normalized Cuts 能控制超像素的数目，而且超像素的大小一般比较相近，并能很好地保留边界信息。
表 2 三种超像素计算方法对比 产生超像素的 超像素的紧致 需要参数 个数是否可控 性是否可控 Normalized Cuts 是 是 1 Quick Shift 否 否 2
下图中，图a、图b和图c分别为SLIC算法、Normalized Cuts算法与Quick Shift算法的分割结果。因为 Quick shift 算法无法控制产生超像素的数目，所以与另外两种方法产生的超像素数目不同。SLIC 算法和 Normalized Cuts 算法都能较好的保留边界信息，而且产生超像素的大小相近。
18
（a） （a） ( a) (b) ( c )
图 11 三种超像素方法分割结果比较
3.3 提出超像素分割比较合适的评判准则
3.3.1 三种超像素分割的存在问题
对比上述超像素的计算方法，计算量太大、耗费时间长是它们共有的缺点。特别是当图像的像素数较多时，给算法的实现带来了比较大的困难。我们知道，超像素的种种优良特性使得它在图像处理与模式识别的前期阶段有着广泛的应用。因此，方便、高效的超像素计算方法是整个计算机视觉算法效率保证的前提。除此之外，几种过分割方法不能直接用于图像的分割，因为他们大部分只考虑了图像的局部特征，不能从全局规划，分割结果很难符合人类视觉判断的结果，所以仅适合用于初始阶段的过分割。对于本文的基于超像素的图像分割，我们以超像素作为分类的基本单元。而结构紧凑形状相似的
Normalized Cuts 和 SLIC 算法所产生的超像素的语义表现力较差，因为结构紧凑使超像素不能涵盖一个目标的全貌，而形状相似使得不同尺度的目标在同义词过分割中必然要出现不同的语义层次。给出了一个有着尺度精确的图片结构的复杂图像，比一个简单图像的超像素要多得多。而 Quick Shift 分割算法并不是通过约束分割的数量而是约束图像特征的相似度，并且在边界附近没有相应的惩罚参数，因此得到的超像素的大小和形状各不相同。
19
