【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割

【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割

1 过分割与欠分割

找一个合适的分割方法
过分割：分割得太细

自底向上的方法
无监督的

自底向上：基于像素的
自顶向下：从语义的角度

2 人是如何感知世界的

人会感觉下面的线比上面的线长

人的感知：先感知部件，然后理解组合后的整体语义

3 分割思路

临近的、颜色相似的、形状相似的、同向的、平行的、对称的、连续的、封闭的

电梯上的楼层按键

4 把分割建模成聚类任务

将像素点投影到RGB三维空间

k-means聚类

中图：基于灰度的聚类
右图：基于RGB图的聚类

缺陷：不能区分实例

5 语义分割、实例分割

实例分割：不仅要知道是辣椒类、而且要知道是哪个辣椒上的

实例的最大差异在空间上

6 k-means算法

在特征空间中寻找密集的中心

统计区域内所有点的重心

把蓝色框移动到重心上，均值漂移

一致的时候漂移结束

6 mean-shift clustering

确定有多少个密度中心
不需要假定球形聚类
维度灾难、高维空间计算困难

7 基于图的分割

分割的目标就是删除连接的边
删除相似度小的边
删除的边的相似度之和最小

定义相似性

8 归一化的图分割

$w(A,B)$是$A、B$集合的全部联系权重，最小分割是希望$w(A,B)$，但是容易要么分割A，要么分割B
避免分割得过小，不鼓励只有一条边的情况
$\frac{w(A,B)}{w(A,V)}$
$w(A,V)$是A与其他全部顶点的连接，A的像素越多，这个值就越大，分数就越小。如果只把A或者B切割成一个像素，那么$w(A,V)$或者$w(A,B)$就会很小，分数就变大，这不是预期的

W是相似度矩阵，是一个对称矩阵
D是一个对角阵，第i个位置表示W第i列的和