学习积累——Nomalized Cut

因为开学实验室事情挺多，已经好久没有上线更新，最近老师让看的论文Jianbo Shi and Jitendra Malik的《Normalized Cuts and Image Segmentation》,记录一下自己的理解。

一、解决问题

作者提出Normalized cut(归一化分割) 改善了Min-cut(最小割)倾向于分割图像中孤立结点的问题。以下图说明：

对上图理想的分割情况是以中间的竖直虚线进行分割，但最小割却容易将n1和n2这两个孤立点分割出来，主要是由于最小割并未考虑像素点之间的全局相关性。

二、Normalized cut

Ncut从图论的角度看，其基本思想是：把一个图像看成一个图（Graph）, 计算图像的权重图（Weighted graph），然后利用权重图将图像分割成一些具有相同特征（纹理， 颜色，明度等）的区域。可见，权重的构建极为重要。

2.1 权重图

任意特征空间中的点集表示为加权无向图 G（V,E），其中V表示顶点，E表示边缘。图的节点是特征空间中的点，每对节点之间形成一条边。每个边上的权重w（i,j）是节点i和j之间的相似性函数。我们希望顶点集之间的边，其权值的和更小。如图所示：

 

2.2 Ncut

计算总公式为：

其中，

同理，类推B部分。这里不详细介绍论文给出的整个推理求解最优解的过程，但给出以下基本步骤：

1）设计权重矩阵W，矩阵中的每个数值能够表征像素间的差异或者图像特征

2) 计算对角矩阵D，D的对角线上的元素为： 

3）求解公式，计算相应的特征向量：

u为待求解。

2.3 实验结果

作者放出源码，并在2002年对这篇发于1997年的论文进行改进。程序在Matlab上，采用的是最小第二特征向量（论文中说第一个为0），可以指定需要分割区域的个数，结果如下（这里应该还用了均值聚类之类的得到结果图）： 

这里指定Number=10。

三、总结 

小白看论文总是云里雾里，老师也给出了很多见解，尤其是数学推论求解那部分。如果大家感兴趣可以去看看，这篇文章算是图像分割一个重要的转折点，毕竟用彩色图啦！李飞飞课程第一堂里面也有提到！如果有错误，欢迎大家指正！