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