算法流程梳理如下：
原文下载：http://www.kev-smith.com/papers/SLIC_Superpixels.pdf
1、初始化：
- 通过对图像像素进行抽样，初始化k个聚类中心C_k ,步长为初始化聚类大小S，即将图像分为k个网格，取每个网格中心为初始聚类中心；
- 初始化每个像素点的标签lable为-1，每个像素点与聚类中心的距离distance为无穷大。
2、对初始化的聚类中心进行移动：
在该聚类中心相邻的8个像素点中，找到最小梯度方向，并将该点设为新的聚类中心，直至聚类中心不再变化。
3、Assignment Step
对每个聚类中心点C_k ，考虑以该点为中心的2S*2S的邻域范围中的所有像素点，计算每个点与C_k的距离D
（其中，m为设置的色彩与空间成分的比重参数）
如果D'<'distance（i），则赋值distance（i）= D，赋值该点标签lable为k值。
4、更新聚类中心
对k个聚类中心点进行更新，找到所有标签lable值为k的点，求其平均值，得到新的聚类中心。
5、计算剩余误差
计算剩余误差E，通过迭代3、4两步，直至E满足条件为止。
6、后处理步骤
用连通性将独立点归至超像素。
理解
在计算某点属于哪一超像素时，第一次考虑时，在C1的域中，会得到它属于超像素C1，但是当在C2的域中考虑时，会得到该点更可能归属于C2，那么该点就应该属于超像素C2。这样，计算完之后，大多数点都归属于最可能的超像素中。
