Penelope'un cevabına bir ek olarak , iki popüler algoritma ailesi (ve modaya uygun).
Superpixels
Superpixels adı verilen çok popüler bir algoritma ailesi şu anda çok popüler (CV konferanslarında bazı Superpixel oturumları bile var). Süper pikseller aşırı segmentasyona çok benzer (havzanın size verdiği gibi), bu nedenle bazı post-processing gereklidir.
Süper pikseller küçük homojen görüntüler bölgeleri olarak görülebilir . Pikseller arasındaki mesafe, iki taraflı filtrelemede olduğu gibi değerlendirilir, yani, uzaysal mesafeleri ile görsel benzerlikleri arasında, birbirine yakın ve benzer olduklarında 0'a, aksi takdirde daha büyük bir değere giden bir karışımdır.
Daha sonra süper piksel yöntemleri, bu ölçüme göre küçük homojen bölgeler oluşturmak için çeşitli kriterler dener. Birçoğu var (grafik tabanlı, mod arama / kümeleme tabanlı ...), bu yüzden sizi bu teknik rapora yönlendirmek en iyisi .
(değiştir :) Birisinin yayınlanmış hakemli bir eser araması durumunda, bu makale aynı yazarlar tarafından yazılmıştır ve teknik raporla aynı materyali kapsar:
R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk: En Gelişmiş Süper Piksel Yöntemleriyle Karşılaştırıldığında SLIC Süper Pikselleri
Cevabın ilk versiyonunu yazdığımda, görsel olarak sonuçların havza aşırı bölümlemesinin size sağladığı şeye çok benzediğini unutmayın. Bu, ilgili çalışma bölümünde havzaları içeren teknik raporun yazarları tarafından onaylanmıştır. Bu nedenle, aynı post-processing'i de yapmanız gerekir: süper pikseller piksel yerine kullanmak için kullanışlı özellikler olsa da, nesneleri izlemeniz / algılamanız gerekiyorsa daha üst düzey bölgeler oluşturmak için yine de gruplandırılması gerekir.
Grafiğe dayalı segmentasyon yöntemleri
Bir başka popüler algoritma ailesi, piksel ilişkisinin, yani piksellerin görünüşlerinde ne kadar yakın olduklarının analizinden gelir. Bu, normalleştirilmiş kesim gibi grafik teorisi tabanlı bir segmentasyon yöntemleri ailesi verir (J. Shi, J. Malik: Normalized Cuts ve Image Segmentation ) .
İşte bu yaklaşımın sezgisi: Diyelim ki pikselleriniz artık yüksek boyutlu bir grafiğin noktaları (köşeleri).
Grafikte, iki köşe , ağırlığı köşeler arasındaki bir mesafeyle ters orantılı olan bir kenarla birleştirilebilir . Tipik olarak, ağırlık fonksiyonu, iki taraflı filtrelemede, uzamsal mesafeleri ve görsel benzerlikleri 8as arasındaki bir karışımın karşılıklı olacaktır).
Daha sonra, bu grafik göz önüne alındığında, segmentasyon algoritmaları en iyi köşe kümelerini, yani küçük bir grup içi mesafeye ve büyük bir ekstra grup mesafesine sahip köşe gruplarını arayabilir .
Normalize Kesim yaklaşımında, kümelerin farklı popülasyon boyutlarının getirdiği yanlılığı önlemek için bazı ek özen gösterilmektedir. Ayrıca, grafik teorisinde bağlantı matrisi olarak da bilinen ağırlık matrisinin SVD'sinin hesaplanmasıyla grafik keşfinden kaçınılabilir .
