SLIC演算法是simple linear iterative cluster的簡稱，該演算法用來生成超畫素（superpixel）。

基本思想

演算法大致思想是這樣的，將影象從RGB顏色空間轉換到CIE-Lab顏色空間，對應每個畫素的（L，a，b）顏色值和（x，y）座標組成一個5維向量V[L,a,b,x,y],兩個畫素的相似性即可由它們的向量距離來度量，距離越大，相似性越小。

演算法首先生成K個種子點，然後在每個種子點的周圍空間裡搜尋距離該種子點最近的若干畫素，將他們歸為與該種子點一類，直到所有畫素點都歸類完畢。然後計算這K個超畫素裡所有畫素點的平均向量值，重新得到K個聚類中心，然後再以這K箇中心去搜索其周圍與其最為相似的若干畫素，所有畫素都歸類完後重新得到K個超畫素，更新聚類中心，再次迭代，如此反覆直到收斂。怎麼樣，是不是感覺很像K-means聚類演算法。

該演算法接受一個引數K，用於指定生成的超畫素數目。設原圖有N個畫素，則分割後每塊超畫素大致有N/K個畫素，每塊超畫素的邊長大致為S=[N/K]^0.5，開始我們每隔S個畫素取一個聚類中心，然後以這個聚類中心的周圍2S*2S為其搜尋空間，與其最為相似的若干點即在此空間中搜尋。這裡有一個問題，為了避免所選的聚類中心是邊緣和噪聲這樣的不合理點，演算法做了改進， 在3*3的視窗中將聚類中心移動到梯度最小的區域,梯度定義為

                                                    G(x，y)=[V(x+1,y)-V(x-1,y)]^2+[V(x,y+1)-V(x,y-1)]^2

這樣就可以避免上面所說的情況。

因為L，a，b在CIE-Lab顏色空間，L,a,b的大小有限制，而影象尺寸則沒有限制，如果圖片的尺寸比較大，會造成衡量向量距離時空間距離（x，y）的影響過大，所以需要調製空間距離（x，y）的影響，所以需要對x，y進行normalize。改進向量距離的度量如下：

                                                   d_lab=[(Lk-Li)^2+(ak-ai)^2+(bk-bi)^2]^0.5

                                                   d_xy=[(Xi-Xk)^2+(Yk-Yi)^2]^0.5

                                                   Ds=d_lab+(m/S)*d_xy

m用來調整d_xy的權值，一般為1-20，在演算法中設定為10。

最後可能出現一些小的區域d被標記為歸屬某一塊超畫素但卻與這塊超畫素沒有連線，這就需要把這塊小區域d重新歸類為與這塊小區域d連線的最大的超畫素中去，以保證每塊超畫素的完整。

演算法流程

來看看效果吧：