opencv ximgproc.slic 和 skimage scaling.slic 有什么区别？

Question

我在同一张图片上从opencv和skimage运行SLIC（简单线性迭代聚类）超像素算法，但得到了不同的结果，skimage slic结果更好，如下图所示。第一个是opencv SLIC，第二个是skimage SLIC。我有几个问题希望someonc可以提供帮助。

1. 为什么opencv有参数'region_size'而skimage是'n_segments'？
2. 是否需要转换为 LAB 和 guassian 模糊？
3. 有什么技巧可以优化 opecv SLIC 结果吗？

====================================

• OpenCV SLIC

• Skimage SLIC

# Opencv
src = cv2.imread('pic.jpg') #read image
# gaussian blur
src = cv2.GaussianBlur(src,(5,5),0)
# Convert to LAB
src_lab = cv.cvtColor(src,cv.COLOR_BGR2LAB) # convert to LAB

# SLIC
cv_slic = ximg.createSuperpixelSLIC(src_lab,algorithm = ximg.SLICO, 
region_size = 32)
cv_slic.iterate()



# Skimage
src = io.imread('pic.jpg')
sk_slic = skimage.segmentation.slic(src,n_segments = 256, sigma = 5)

使用以下代码生成的具有超像素质心的图像

# Measure properties of labeled image regions
regions = regionprops(labels)
# Scatter centroid of each superpixel
plt.scatter([x.centroid[1] for x in regions], [y.centroid[0] for y in regions],c = 'red')

但是少了一个超像素（左上角），我发现

len(regions)是 64len(np.unique(labels))而是 65 ，为什么？

Answer 1

我不确定为什么你认为 skimage slic 更好（我维护 skimage！），但是：

• 不同的参数化在数学和计算机科学中很常见。无论您使用区域大小还是段数，您都应该得到相同的结果。我希望在两者之间转换的公式将类似于 n_segments = image.size / region_size。
• 原始论文建议对于自然图像（意思是像您展示的那样真实世界的图像，而不是来自显微镜或天文学的图像），转换为 Lab 会得到更好的结果。
• 对我来说，根据您的结果，用于 scikit-image 的高斯模糊似乎高于用于 openCV 的高斯模糊。因此，您可以通过使用 sigma 使结果更加相似。我还认为两者的紧凑性参数可能不相同。