Entropy Rate Superpixel Segmentation

Abstract

• 提出了一种新的超像素分割目标函数。该目标函数由两部分组成：图上随机游动的熵率和平衡项。熵率有利于形成致密均匀的团簇，而平衡函数则有利于形成具有相似大小的团簇。
• 我们提出了一种新颖的图像图形结构，并证明了这种结构引入了Matroid——一种推广向量空间中线性独立概念的组合结构。然后由图拓扑给出分段，图拓扑在拟阵约束下最大化目标函数。利用目标函数的次模性和单调性，提出了一种有效的广义算法。

Introduction

• 使用超像素的主要优点是计算效率。超像素表示大大减少了与像素表示相比的图像原始数量。
• 本文将超像素分割作为一个聚类问题进行研究。我们提出了由两个项组成的客观函数：（1）图上随机游动的熵率；（2）聚类分布的平衡项。熵率倾向于紧凑和均匀的簇——在感知边界上进行包围划分，并且倾向于只与单个对象重叠的超像素；而平衡项则鼓励具有相似大小的簇——减少不平衡超像素的数量。
• 我们证明了目标函数是一个单调递增的次模函数。次模极性是连续域凸性的离散模拟。
• 基于Felzenszwalb和Huttenlocher（FH）的图像分割工作，均值漂移和分水岭[是三种最流行的超像素分割算法。FH和分水岭算法运行起来非常快，平均值偏移对局部变化具有鲁棒性。
• Ren和Malik建议使用归一化切割（NCUT）进行超像素分割。NCUT能够产生具有相似尺寸和紧凑形状的超像素的优良特性。
• 将超像素分割问题作为图上的最大化问题，在图拓扑上提出了一种新的目标函数。该函数由一个熵率和一个平衡项组成，用于获得具有共同期望属性的超像素。
• 本文证明了熵率和平衡函数是单调递增和次模的。
• 通过将问题嵌入拟阵结构，利用目标函数的性质，提出了一种有效的贪心算法，近似边界为12。

Preliminaries

Problem Formulation 

Optimization

Greedy Heuristic

Experiments

Conclusion

• 我们将超像素分割问题定义为图形学上的优化问题。基于图上随机游动的熵率，提出了一种新的目标函数。