【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 ) w(A,B) w(A,B)是 A 、 B A、B A、B集合的全部联系权重，最小分割是希望 w ( A , B ) w(A,B) 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
w ( A , B ) w ( A , V ) \frac{w(A,B)}{w(A,V)} w(A,V)w(A,B)
w ( A , V ) 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 ) w(A,V) w(A,V)或者 w ( A , B ) w(A,B) 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
