首先一张图片由一个个像素组成（可以看成网格），每个像素可以有一个灰度值（标量）或RGB值（三维向量）。
http://a-chien.blogspot.de/2017/01/excel-vba_5.html
现今一张图片动辄1000*1000=100w像素，因此对于图像处理来说，是非常大的维度。
超像素最大的功能之一，便是作为图像处理其他算法的预处理，在不牺牲太大精确度的情况下 降维！
超像素最直观的解释，便是把一些具有相似特性的像素“聚合”起来，形成一个更具有代表性的大“元素”。
而这个新的元素，将作为其他图像处理算法的基本单位。
一来大大降低了维度；二来可以剔除一些异常像素点。
至于根据什么特性把一个个像素点聚集起来，可以是颜色、纹理、类别等。
看下图大家就能一瞥一二：
https://ivrl.epfl.ch/research/superpixels
理论上，任何图像分割算法的过度分割(over-segmentation)，即可生成超像素。
下面是一个图像分割算法的例子（举此例还因为这里分割标准是依据纹理）。
https://github.com/mstorath/Pottslab
市面上如此多的超像素算法，如何比较他们的优劣呢？
一般业内参考以下三个指标（具体公式请参考【1】）.
(1) Undersegmentation Error
下图，白色是原图的一个物体，红线是一个个超像素的轮廓，而粉红色的区域就是undersegmentation的区域。显然，这部分区域越大就越不好。
(2) Boundary Recall
下图，黑色虚线以及实现是原图物体的轮廓，红线是超像素的边界。一个好的超像素算法，应该覆盖原图物体的轮廓。在给予一定缓冲（粉红色区域）的情况下，超像素的边缘可以覆盖原图物体边缘的越多（黑色实线），该算法就越好。
(3) Compactness score
这个指标衡量了一个超像素是否“紧实”。
下图，高下立判。
https://ivrl.epfl.ch/research/superpixels
(1) 种子像素初始化
SLIC利用了简单的聚类（贪婪）算法，初始时刻，每一个聚类的中心被平均地分布在原图中。而超像素的个数，也可以基本由这些中心点来决定。
每一步迭代，种子像素合并周围的像素，形成超像素。
(2) 矩形区域初始化
SEEDS的初始化，是把原图先平均分割成很多矩形，初始超像素即为这些矩形。每一步迭代，超像素的边缘不断变化，直到converge.
【参考资料】：
【1】D Stutz etl，Superpixels: an evaluation of the state-of-the-art，Computer Vision and Image Understanding 166, 1-27
该文作者是德国亚琛工大计算机本科，马普所计算机博士生，对比了几乎所有有开源代码的超像素算法。作者还把论文中evaluate指标的算法开源了，参考：davidstutz/superpixels-revisited
来源：阿柴的算法学习日记
本文仅做学术分享，如有侵权，请联系删文。
