超像素是一种在图像分割算法中经常采用的预处理步骤，我们采用的SLIC超像素算法速度快，并且具有更好的边界贴合度。文献［9］已经和众多相似算法进行执行效率比较，这里不再赘述。本书将采用伯克利大学图像分割标准数据集，并选择部分图像进行比较分析。
如本章开头介绍的那样，超像素分割存在明显的过分割问题，而且即使采用真实的区域个数进行超像素分割也不能得到正确结果（如图7.3所示），本书采用SPRM算法进行处理以后将解决该问题，如图7.5所示。
图7.5 SLIC超像素和区域合并结果
本书所采用的SPRM算法需要设置两个变量：一个为超像素分割时的区域个数K，另一个为区域合并参数Q。首先按照CRM算法设置，将Q固定为32，图7.6、图7.7分别显示了K的值分别为200、500、800时的分割结果。从图7.6、图7.7结果来看，如果K取值过小的话，对于较大、较复杂的图像将不能得到最优分割结果，如图7.7（a）所示；相反，如果K取值过大，对于较小图像将不会有太大的改进效果，如图7.6（b）、（c）所示；对于较大图像会出现明显的过分割现象，如图7.7（c）所示。因而将n设置为500对于绝大部分图像而言将能获得满意的图像分割结果。
当n固定为500以后，我们尝试改变Q的值来改善实验效果，如图7.8所示。
图7.6 基于不同种子数量的berries图像分割结果
图7.7 基于不同种子数量的goose图像分割结果(www.xing528.com)
图7.8 基于不同Q参数的图像分割结果
通过大量图像测试及图7.8展示部分结果来看，当Q=64时能够获得较满意的分割结果，如果Q值过小，超像素合并以后的区域较大，存在明显欠分割效果，如图7.8第二列；相反，如果Q值过大，超像素合并区域较小，存在明显过分割效果。综合实验及前文理论分析，本书选择Q为64、n为500初始条件进行比较分析。
本书分别使用超像素、SRM及SPRM进行比较，结果如图7.9所示。
图7.9 基于参数K=500和Q=64的图像分割结果
从直观的实验结果来看，SPRM获得了与CRM近似的分割效果。图7.9中，第一行和第三行处理结果略优于CRM，第四行和第五行结果近似，只有第三行处理结果稍逊于CRM，主要是因为SPRM算法以区域信道平均值进行合并，粒度较大，对于一些线型区域可能存在一定偏差。在获得相似分割结果的同时，SPRM执行速度要优于CRM算法，如表7.1所示。从表中可以看出本书算法提高了超过20%时间效率。
表7.1 本书所用图像分割算法执行时间比较（单位：秒）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
