python - opencv ximgproc.slic和skimage segmentation.slic有什么区别？

我在同一张图片上使用来自opencv和skimage的SLIC(简单线性迭代聚类)超像素算法，但是得到了不同的结果，skimage slic结果更好，如下图所示。第一个是opencv SLIC，第二个是skimage SLIC。我有几个问题希望有人能为您提供帮助。

为什么当skimage为'n_segments'时，opencv具有参数'region_size'？

是否需要转换为LAB并进行高斯模糊？

是否有任何技巧可以优化opecv SLIC结果？

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

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)

使用下面的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？

最佳答案

我不确定您为什么认为skimage slic更好(并且我维持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，都应获得相同的结果。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(意味着像您所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可获得更好的结果。

对我来说，根据您的结果，看来scikit图像所用的高斯模糊比openCV所用的高。因此，您可以通过使用sigma来使结果更相似。我还认为两者之间的紧凑性参数可能并不相同。