opencv ximgproc.slic 和 skimage segmentation.slic 有什么区别？
What is the difference between opencv ximgproc.slic and skimage segmentation.slic?
我运行 slic（简单线性迭代聚类）超像素算法从opencv和skimage在同一张图片上用，但是得到不同的结果，skimage slic结果更好，如图below.First 一个是opencv SLIC，第二个是skimage SLIC。我有几个问题希望有人能帮忙。
- 为什么opencv的参数是'region_size'而skimage是'n_segments'？
- 是否需要转换为 LAB 和高斯模糊？
- 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 64 而 len(np.unique(labels)) 是 65 ，为什么？
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类似于 n_segments = image.size / region_size.
- 原始论文建议，对于自然图像（意思是您展示的真实世界的图像，而不是例如来自显微镜或天文学的图像），转换为 Lab 可以获得更好的结果。
- 对我来说，根据您的结果，scikit-image 使用的高斯模糊似乎高于 openCV。所以你可以通过使用 sigma 来使结果更相似。我还认为两者之间的紧凑性参数可能不相同。
我运行 slic（简单线性迭代聚类）超像素算法从opencv和skimage在同一张图片上用，但是得到不同的结果，skimage slic结果更好，如图below.First 一个是opencv SLIC，第二个是skimage SLIC。我有几个问题希望有人能帮忙。
- 为什么opencv的参数是'region_size'而skimage是'n_segments'？
- 是否需要转换为 LAB 和高斯模糊？
- 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 64 而 len(np.unique(labels)) 是 65 ，为什么？
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类似于 n_segments = image.size / region_size.
- 原始论文建议，对于自然图像（意思是您展示的真实世界的图像，而不是例如来自显微镜或天文学的图像），转换为 Lab 可以获得更好的结果。
- 对我来说，根据您的结果，scikit-image 使用的高斯模糊似乎高于 openCV。所以你可以通过使用 sigma 来使结果更相似。我还认为两者之间的紧凑性参数可能不相同。