基于图的分割

Graph-Based Image Segmentation：每次对两个区域进行讨论，若满足要求则进行合并
 

首先看一下图的基本概念：

图

是由顶点集V（vertices）和边集E（edges）组成的集合，表示为G=(V, E)，顶点v∈V，在论文即为单个的像素点，连接一对顶点的边(vi, vj)具有权重w(vi, vj)，本文中的意义为顶点之间的不相似度（dissimilarity），所用的是无向图。

树

特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路，最常见的二叉树等等。

最小生成树（minimum spanning tree）

特殊的树，给定需要连接的顶点，选择边权之和最小的树。

论文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST。如下图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST，对应的就是一个分割区域。分割后的结果其实就是森林。

 

1. 相似度

将图片视作图论中的graph,每个像素看做一个顶点(v)，顶点之间的边的权重用来衡量相似度(w)，对于RGB格式的图像，使用欧氏距离进行相似度衡量。（这里边的权重用距离定义，同样可以使用其他的颜色格式）

  

2. 分割区域的内部差

 

其中mst即为顶点集合C和边集合E所对应区域的最小生成树，其中最大的权值即为此区域的内部差。分割区域的内部差如公式所示，表示为顶点边的最大权重（边所连接的两点间最大距离）

3. 分割区域之间的差异

   

即连接两个区域所有边中，不相似度最小的边的不相似度，也就是两个区域最相似的地方的不相似度。（俩区域中任意顶点间的最小距离）

4. 判断两个区域间是否存在明显差异

基于以上两种概念，记 ，其中

当且仅当时认为二者差异明显,不需要合并(即时需要合并)

关于  函数，这是一个关于区域大小的反函数，区域越小，其对于边界的要求显然更加苛刻。我们知道当起初两个区域都是孤立的像素值时，，所有像素都是"零容忍"只有像素值完全一样才能合并，自然会导致过分割。所以刚开始的时候，应该给每个像素点设定一个可以容忍的范围，当生长到一定程度时，就应该去掉该初始容忍值的作用。其中，|C|为区域C所包含的像素点个数，如此，随着区域逐渐扩大，这一项的作用就越来越小，最后几乎可以忽略不计。那么k就是一个可以控制所形成的区域的大小的参数。k=0,则几乎每个像素都成为一个独立的区域，如果k=∞，整张图片都会聚集成一块。所以，k越大，分割后的图片也就越大。

5. 算法流程

• 记此时边数为n

• 将所有的边按照权值进行升序排列

     1°  选择当前权值最小的边，不直接使用此条边，记其端点为，当且时，说明此时二者的差异比内部差更小，需要进行合并，否则跳过此条边

    2°  遍历所有的边，将过程1重复n次，直至全部遍历

　3°  将不同的点的集合赋予不同颜色显示。如图所示（网上图片）：

   

以上描述的是依据区域之间边的权重进行合并，在最开始，每一个元素都是一个独立的区域。

 

转载自：

https://zhuanlan.zhihu.com/p/50707777

https://blog.csdn.net/surgewong/article/details/39008861

https://blog.csdn.net/guoyunfei20/article/details/78727972

https://blog.csdn.net/ttransposition/article/details/38024557?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242