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: