region proposals 最初的每一个 initial regions 是如何生成的? Efficient Graph-Based Image Segmentation

---

region proposals 最初的每一个 initial regions 是如何生成的? Efficient Graph-Based Image Segmentation

• 最初最初的 initial regions 就是一个又一个的像素点。之后慢慢合并变大的。

1. 合并的特点：自适应或非局部准则

• 划分各个区域时，不同的地方使用不同的阈值，自适应的调整阈值，保证每一个地方都能被有效的划分。
• 因为合并是在比较区域内差异和区域间差异，这些值的大小是由每个区域内部点的属性决定的，不是设置的固定值，所以就具有了自适应的特点。
• 当这种自适应方法比较僵硬，所以结果不是特别理想。
  

2. 概念：将图的概念应用到 region 合并上

• G（V，E）：G是由所有像素点组成的图，V是像素点，E是两个像素点之间的边（表示想像素点之间的差异）。
• C：被划分的 segmentation,一个 component 或 region。

2.1. 如何定义区域内差异，区域间差异

1. 区域内差异，即一个 component 或 region 的内部的差异 。（ Int（C））

• 取区域内最大的那条边作为区域内差异。
  
• Int©的值是由边的极值来直接决定的，所以单个异常点的值将影响这个差异值，即对噪声敏感。这也是为什么作者会对图片做高斯模糊处理的原因。
• 只有一个点的区域内差异值是单独定义的。

2. 区域间差异，即两个 region 之间的差异。（Dif（C₁，C₂））

• 取两个区域间任意两个点之间最小边作为区域间差异。
• 如果两个区域之间没有边的话，定义差异为正无穷大。
  

3. 两个区域是否是 Pairwise Region 的判断条件。（D（C₁,C₂））

• Pairwise Region：成对区域，不能合并的区域，队里区域。
• D（C₁,C₂）= true，表示不能合并的情况。
• 能合并的条件是 otherwise，即两个区域的区域间差异要比任意一个的区域的区域内差异都要小。
• 合并的条件可以理解为，两个区域间的差异很小，比各自区域内的差异都小，就相当于区域间没有差异了，自然就可以直接将两个区域合并起来的。
  
  
• |C|：绝对值表示区域C中的像素点的数量。
• 最开始时，每一个 region 都是一个像素点，此时一个点的组内差异就是 k。k是一个参数数。
• k 越大，初始点的组内差异就越大，间接使得组间差异很小，即组间差异小于组内差异，更有利于开始的合并。k越大，越鼓励小像素点间的合并。
• 合并到后面之后，区域 region C中的像素点数量|C|变的越来越大，τ（C）=k/|C| 的值越接近于零，所以这一项只对最开始小像素的合并有关系，对之后大像素间的合并就没有什么影响了。

2.2. 像素点之间的差异是如何度量的？

• 单独的一个像素点只有一个性质，就是颜色。颜色相同就是没有差异，w=0。
• I（p_i）：表示一个像素点 i 的强度。如果是RGB图片，就计算像素点间的欧氏距离（将RGB三通道的值等效看成XYZ三个坐标的值）。
• 使用图片之前通常要对原始图片进行高斯模糊处理。sigm = 0.8 。
• 每一个像素点周围都有8个像素点，所有的像素点构成图概念中的点，所有的相邻像素点之间的差异构成图概念中的边。

3. 使用图概念来合并像素点的过程？

相关论文

1. Efficient Graph-Based Image Segmentation
   （完）