分割+K-Means+Mean shift+Normalized Cut

分割

分割手册：

分割目的：无监督，至低向上

1.聚类K-Means

下面，我们描述一下K-means算法的过程，为了尽量不用数学符号，所以描述的不是很严谨，大概就是这个意思，“物以类聚、人以群分”：

首先输入k的值，即我们希望将数据集经过聚类得到k个分组。
从数据集中随机选择k个数据点作为初始大哥（质心，Centroid）
对集合中每一个小弟，计算与每一个大哥的距离（距离的含义后面会讲），离哪个大哥距离近，就跟定哪个大哥。
这时每一个大哥手下都聚集了一票小弟，这时候召开人民代表大会，每一群选出新的大哥（其实是通过算法选出新的质心）。
如果新大哥和老大哥之间的距离小于某一个设置的阈值（表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛），可以认为我们进行的聚类已经达到期望的结果，算法终止。
如果新大哥和老大哥距离变化很大，需要迭代3~5步骤。

效果：

语义分割：增加维度区分辣椒AB(缺点：把背景给分了)

带有空间特性(考虑近邻关系)

用k-means的优缺点

2.Mean shift

：计算区域重心，找到密度最大的点，设置为圆心，然后对每个像素进行归类，离哪个近就归哪一个类
or
：在d维空间中，任选一个点，然后以这个点为圆心，h为半径做一个高维球，因为有d维，d可能大于2，所以是高维球。落在这个球内的所有点和圆心都会产生一个向量，向量是以圆心为起点落在球内的点位终点。然后把这些向量都相加。相加的结果就是Meanshift向量。
如图所以。其中黄色箭头就是Mh（meanshift向量）。

三维：RGB

优缺点：

把分割任务看成一个图Graphs Cut

权重：相似性
每个像素间的连线

权重低的(相识度低的)，连线断开，相同的像素在一个segment里
如何计算权重?(相似性)：

dist是距离：可以通过RGB计算L2距离等等
上面这个式子是相似性
西格玛：控制group的范围(多远的距离也考虑为一个类)


可以避免把A或者B切成一个像素，解决孤立点

总结一下：

W邻接关系矩阵(Similarity)：1和1的值为0，两两间的相似度(对称矩阵)
D：对角矩阵，为每一行的S的和
y:100维，由0和1组成，分成两类
！！需要让这个表达式最小

根据拉格朗日算子：让下面这个式子最小的y就是我们要求的


结果是(D-W)的第二小的特征值(因为第一小的为0)，然后设置门限分0和1

G是一个图，V是顶点，E是相似值

texture feature

特征选取:不用RGBXY
用48维的卷积核组

https://www.bilibili.com/video/BV1nz4y197Qv?p=10