本文详细介绍了概率扩散在交互式图像分割中的应用，包括初始化参数K和α的设置，使用k-means进行聚类，计算像素对的相似性权重W，一元分布概率PˉL的计算过程，以及迭代更新概率P^L(t+1)的步骤。通过比较(P^iF)(t+1)和(P^iB)(t+1)，确定像素的前景或背景标签，并设置终止条件来确保分割的准确性。
文章目录
- 计算流程
-
- 初始化参数$K$和$\alpha$
- 用Eq.(7)计算初始概率$p^0$
- 用Eqs.(1,10,9)计算W，DF，$\hat{W}$
- 用Eqs.(17-18)计算一元分布概率$\bar{P}^L$
- 设定$t=1$,$(\hat{P}^L)^{(t)}=\bar{P}^L$和$f^t=[0]_{N \times 1}$
- 用Eq.(27)更新$(\hat{P}^L)^{(t+1)}$
- 计算标签值：$f^{t+1}=[f^{t+1}_i]_{N \times1}$，当$(\hat{P}^F_i)^{(t+1)}>(\hat{P}^B_i)^{(t+1)}$时$f^{t+1}_i=1$，否则$f^{t+1}_i=0$
- 检查终止条件：$f^{t+1}=f^t$
计算流程
初始化参数 K K K和 α \alpha α
K K K是k-means聚类数， α \alpha α是后面迭代更新的更新率
用Eq.(7)计算初始概率 p 0 p^0 p0
c是像素的intensity feature
使用k-means算法分别对被标记成前景和背景的样本点进行聚类，得到聚类中心
，K是聚类数，L=F/B大概是没有标签的像素吧？，为没有标签的像素分配类别
用Eqs.(1,10,9)计算W，DF， W ^ \hat{W} W^
W = [ W i j ] N × N W=[W_{ij}]_{N \times N} W=[Wij]N×N表示像素对 ( x i , x j ) (x_i,x_j) (xi,xj
最低0.47元/天 解锁文章
扫一扫
3962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
