计算机视觉1——segmentation分割

自底向上逻辑——利用底层相似性
无监督

如何分成群组?

1.分割→聚类 segmentation as clustering

相似像素是一类——k均值(learning)

算法1.k均值(learning)
优: 收敛到局部最优解
缺: 指定k, 内存密集，初始敏感(密度法等等)，限制聚类为球形。

算法2.Mean shift(思想很重要)

Kmeans——聚类
找到密度函数中心。(聚类中心)在图上用一个窗口，找到局部重心→中心移动。(最后分类)
优: 1. 只有一个参数(窗口大小)
2. 不要求聚类球形
3.不用预知类的个数
3. 噪声影响小

缺: 1. 依赖窗口size
2. 计算复杂(解决:点归类)
3. 高维灾难

3.image as graph

在图上点之间连线得到边→对比相似度得到边的权重→连线寻找穿过的边的权重最小的，删掉边，进行分割

一般方法:最小割
缺: 会造成有很多个独立的点，因为这样的话权重最小。

改进:归一化图割(normalized cut)
w(A,B)代表两个集合间边的权重之和。

让公式最小，让AB之间联系小，同时A和全局联系大。不会让一个点轻易独立。

特征向量就是分割方法。
0.表示: rgbxy或者纹理响应等核