定义
一种基于超像素的图像分割算法。
超像素就是把图像的像素分成颜色相似的区域，用区域代替像素点的方法。这也是一类常见的图像分割方法。它消除了图像中的一部分冗余信息。SLIC全称为线性迭代聚类法（simple linear iterative clustering）。采用简单的k-means聚类策略高效地生成超像素，加上梯度等图像信息的约束，使得此方法虽然朴素但能更好地贴近图像边界，而且速度更快。
下图展示了超像素分割的一个示例，图像中有三种不同尺寸的超像素，分别是64，256和1024个像素组成的。超像素越大，分割效果越粗糙。
算法在LAB色彩空间进行，对应每个像素的颜色值和坐标组成一个5维向量V [ l, a, b, x, y ]，两个像素的相似性即可由它们的向量距离来度量，距离越大，相似性越小。算法主要分为如下5步：
第一步，在原始图像上均匀撒点，作为聚类的基准点；
第二步，在每个原始基准点的小邻域内找到自身梯度变化最小的点，作为新的基准点（原始图像上梯度变化大的位置往往可能包含图片内的物体边缘信息，这一步的目的是防止聚类的基准点刚好落在原始图像物体边缘上，而影响聚类效果）；
第三步，计算图片内每个小体素与周围的新基准点距离，找到距离最近的新基准点，将其聚类到这个新基准点下；
第四步，根据聚类结果，找到每个聚类的中心，作为又一个新的聚类基准点；
第五步，迭代，直到新的基准点不再变化位置。
其中，为了避免所选的聚类中心是边缘和噪声这样的不合理点，更新时需要将聚类中心移动到梯度最小的区域。最后可能出现一些没有连接的小的区域，这就需要把这块小区域 重新归类为与之连接的最大的超像素中去，以保证每块超像素的完整。
SLIC与其它超像素分割方法一样，分割的超像素越多，标准边界就会更有可能落在两个超像素的交界处。
参考文献
[1] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE transactions on pattern analysis and machine intelligence, 2012, 34(11): 2274-2282.
参阅：K-Means聚类、超像素
