ในฐานะที่เป็นภาคผนวกของคำตอบของPenelopeทั้งสองตระกูลยอดนิยม (และยอดนิยม) ของอัลกอริทึม
Superpixels
ตระกูลอัลกอริทึมที่ได้รับความนิยมอย่างมากที่เรียกว่าSuperpixelsนั้นทันสมัยมากในตอนนี้ (แม้จะมีบางช่วง Superpixel ในการประชุม CV) Superpixels นั้นเหมือนการแบ่งกลุ่มมากเกินไป (เช่นที่ลุ่มน้ำให้คุณ) ดังนั้นจึงจำเป็นต้องมีการประมวลผลภายหลัง
Superpixels สามารถมองเห็นเป็นภาพที่เป็นเนื้อเดียวกันภูมิภาคขนาดเล็ก ระยะห่างระหว่างพิกเซลได้รับการประเมินเช่นเดียวกับการกรองแบบทวิภาคีนั่นคือเป็นการผสมผสานระหว่างระยะทางเชิงพื้นที่ของพวกเขากับความคล้ายคลึงกันทางภาพที่ไปถึง 0 เมื่อพวกเขาอยู่ใกล้กันและคล้ายคลึงกัน
จากนั้นวิธีซูเปอร์พิเซลจะลองใช้เกณฑ์ต่าง ๆ เพื่อสร้างภูมิภาคที่เป็นเนื้อเดียวกันด้วยความเคารพต่อมาตรการนี้ มีหลายคน (อิงตามกราฟ, การค้นหาโหมด / การจัดกลุ่มตาม ... ) ดังนั้นฉันเดาว่าจะเป็นการดีที่สุดที่จะแนะนำคุณไปยังรายงานเทคโนโลยีนี้
(แก้ไข :)ในกรณีที่มีใครบางคนกำลังมองหางานตีพิมพ์ peer-reviewed ตีพิมพ์บทความนี้โดยผู้เขียนคนเดียวกันและครอบคลุมเนื้อหาเดียวกันกับรายงานเทคโนโลยี:
R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk: SLIC Superpixels เปรียบเทียบกับวิธีการ Superpixel ที่ล้ำสมัย
โปรดทราบว่าขณะที่ฉันเขียนคำตอบเวอร์ชันแรกว่าด้วยสายตาผลลัพธ์จะคล้ายกับที่การแบ่งเซกเมนต์มากกว่าให้คุณ สิ่งนี้ได้รับการยืนยันจากผู้เขียนรายงานเทคโนโลยีซึ่งรวมถึงแหล่งต้นน้ำในส่วนงานที่เกี่ยวข้อง ดังนั้นคุณต้องทำการโพสต์เดียวกัน: แม้ว่า superpixels จะเป็นคุณสมบัติที่ใช้งานได้สะดวกเพื่อใช้แทนพิกเซล แต่ก็ยังจำเป็นต้องมีการจัดกลุ่มเพื่อสร้างภูมิภาคระดับสูงขึ้นหากคุณต้องการติดตาม / ตรวจจับวัตถุ
วิธีการแบ่งส่วนกราฟตาม
อัลกอริธึมที่เป็นที่นิยมอีกตระกูลหนึ่งมาจากการวิเคราะห์ความสัมพันธ์ของพิกเซลนั่นคือพิกเซลมีลักษณะอย่างไร อัตราผลตอบแทนนี้ครอบครัวตามกราฟทฤษฎีของวิธีการแบ่งส่วนเช่นการตัดปกติ (เจชิเจลิก: ตัดปกติและการแบ่งส่วนภาพ )
นี่คือสัญชาตญาณสำหรับวิธีการนี้: สมมติว่าพิกเซลของคุณเป็นจุด (จุดยอด) ของกราฟขนาดสูง
ในกราฟสองจุดยอดสามารถเชื่อมต่อกันด้วยขอบซึ่งมีน้ำหนักเป็นสัดส่วนผกผันกับระยะทางระหว่างจุดยอด โดยทั่วไปแล้วฟังก์ชั่นน้ำหนักจะเป็นส่วนหนึ่งของการผสมระหว่างระยะทางเชิงพื้นที่และความคล้ายคลึงกันทางภาพ 8as ในการกรองแบบทวิภาคี)
จากนั้นให้กราฟนี้ขั้นตอนวิธีการแบ่งส่วนสามารถมองหากลุ่มที่ดีที่สุดของจุดคือกลุ่มของจุดที่มีขนาดเล็กระหว่างกลุ่มระยะทางและขนาดใหญ่พิเศษกลุ่มระยะ
ในวิธีการ Normalized Cut จะต้องใช้ความระมัดระวังเพิ่มเติมเพื่อหลีกเลี่ยงความลำเอียงที่แนะนำโดยขนาดประชากรที่แตกต่างกันของกลุ่ม นอกจากนี้การสำรวจกราฟสามารถหลีกเลี่ยงได้โดยการคำนวณ SVD ของตุ้มน้ำหนักเมทริกซ์หรือที่เรียกว่าเมทริกซ์การเชื่อมต่อในทฤษฎีกราฟ
