【论文】Normalized Cuts and Image Segment小结

论文原址http://wenku.baidu.com/link?url=OkhlTDlToElGm1O8v_-5kmteXmhKGKc4qlZ8m_u8Xf9DfnMdbsCWPzGjxx3KHkosNuQ3LZVnaG5NEpLC1bFIbGMdOGdNUTGhyFCDkheCojC

最近一直在看superpixel的文章，在这里写一下读后学到的东西，马克一下。

这篇文章之前就看过，其整体思想是把图像的分割看成图的分割，并进行归一化，归一化的标准不仅计算了分割后不同块的整体的不相似性，也计算了不同块之间的相似性。

通过基于特征向量的计算技术来优化图像分割的标准。

其实分割的关键在于是否能够找到一个我们想要的优化分割的标准，以及能够迅速执行这个优化标准的有效的算法。

在这篇论文中，提出的normalized cut 方法，其实与图论相关，将图像看成一个无方向的图G=（V,E），其中图中的每个节点看成图像中的每个特种空间点，节点与节点之间的权重w(i,j)用来权重节点与节点之间的相似性。但是在图中怎么样的分割标准算是好的分割标准呢，怎么可以进行这个标准的分割。这确实是个问题啊。

在这篇论文中，提出的一个新的基于图论的分割标准来衡量图像分割的好与坏。将图的分割问题转化为求特征向量的问题。

每一个图G=（V,E），都可以通过移除一些链接两个子集的边，来分成两个不连贯的子集,A和B。A与B之间的相似性可以通过通过计算所移除的总的边的权重来进行衡量。在论文中是这样定义的：，图的优化分割问题就是来是这个式子最小化。这样来求的问题会导致一个孤立的点为一个子集，如下图所示：

于是我们提出了进行归一化来计算A和B之间的相似性，形式是这样定义的：，是从子集A中到图中所有节点的权重和。

同理定义了这个式子：

Nassoc(A，B)可以化简为如下的形式：

现在就是求这个值的最小值，这是一个NP完全问题，接下来又对这个分割进行了优化，又定义了x和d,式子又可以进行化简。，上个式子又可以化简为：有定义了对角矩阵D的值为d和对称矩阵W，值为W(i,j)=wij

经过一系列化简，最后为求

算法如下：