Selective Search

1. 将图像划分成很多的小区域（regions），生成区域集R
2. 计算区域集R里每个相邻区域的相似度S，相似度有很多衡量标准，如颜色相似度、纹理相似度、尺寸相似度等。

• 颜色相似度（color similarity）

将色彩空间转换为适合自己研究项目的色彩空间（例如HSV，如果是灰度图像，就只有一个通道了）,每个通道以bins=25计算直方图，每个区域的颜色直方图共有75个。对直方图除以区域尺寸做归一化，计算相似度。

 

• 纹理相似度（texture similarity）

方差为1的高斯分布在8个方向做梯度统计（计算sift特征），将统计结果（尺寸与区域大小一致）以bins=10计算直方图。直方图区间数为8*3*10=240（假设使用RGB色彩空间）。

 

其中，是直方图中第k个bin的值。

• 尺寸相似度（size similarity）
• 

 

要保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域。假设有区域a-b-c-d-e-f-g-h，较好的合并方式是ab-cd-ef-gh->abcd-efgh->abcdefgh。

• 交叠相似度（shape compatibility measure）

 

 

 

• 最终的相似度

 

 

3. 找出相似度最高的两个区域，将其合并为新集，添加进R

4. 从S中移除所有与3中子集有关的相似度

5. 计算新集与所有子集的相似度

6. 跳至3，直到S为空。（得到的就是候选区域）

算法描述如下所示：