paper read.docVIP

规范化和图像分割 Reference: Shi, J., Malik, J. (2000). Normalized cuts and image segmentation. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 22(8), 888-905.摘要我们提出一个新颖的方法解决在视觉感知分组。而不是集中在当地的特性和他们的一致性在图像数据,我们的方法旨在提取图像的整体印象。我们把图像分割作为一个图划分问题,提出一种新颖的全球标准,归一化的削减来分割图像。这个规范化削减标准措施测量不同的不同团队间的总不同以及总相似。我们表明,一个有效的计算技术基于广义特征值问题可以用来优化这个准则。我们已经应用此方法分割静态图像,以及运动序列,发现结果很受鼓励。关键词：分类 图像分割 图划分 1介绍 大约在75年以前，沃什米[24]指出了感性分组和组织在视觉上的重要性，并且列出了几个关键因素,如相似性,接近,和良好的延续,这导致视觉分组。然而,即使到今天,许多知觉分组的计算问题一直未解决的。在本文中,我们提出一个大体的框架对这个问题，,着重在图像分割的情况。 因为有许多可能的分区域I将一个图像分为子区域,我们如何选择正确的那个?有两个方面要考虑在这里。首先,可能没有一个正确答案。贝叶斯观点是最合适的——有很多可能的解释在上下文的先验知识之前。困难, 当然,在指定先验知识。一些它是低水平,比如相干的亮度、颜色,纹理,或运动,但同样重要的是中或高标准的知识关于对象对称性或对象模型。第二个方面是,分区是固有的层次。因此,它是更适当的去思考返回一个对应于一个树结构分层分区,而不是单个“平”分区。 这表明,基于低等级的图像分割提示不能也不应该旨在产生一个完整的最后的正确分割。目标应该是使用低级相干的亮度、颜色、质地、或运动属性来顺序提出层次分区。中级和高级知识可以用来证实这些团体或选择一些进一步的注意。这种关注可能导致进一步的重新分区或分组。关键的一点是,图像分割是要做从大局向下,而不是像一个画家先勾勒出主要区域,然后填写细节。 在相关文献的聚类问题, 分组和图像分割是巨大的。聚类社区[12]已经为我们提供了烧结的和分裂的算法;在图像分割,我们地区的基础合并和分割算法。层次分裂的方法:我们提倡产生一个树,聚类图。虽然大多数的这些想法回到1970年代(早些时候), 1980年代带来了在使用马尔可夫随机字段[10] 和变分配方[17]、[2]、[14]。磁流变液的和变分配方也暴露出两个基本问题: 1什么是标准,一个想要优化吗?2有一个高效的算法进行了吗优化吗? 许多有吸引力的准则已经注定会失败无法找到一个有效的算法来找到它的最低或梯度下降式方法无法找到这些高维全球最佳状态,非线性问题。 我们的方法是最相关的图理论配方的分组。这个点集在一个任意的特征空间被表示为一个加权无向图，在该图的节点是吗点在特征空间,和一个边缘之间形成的每一对的节点。在每边的重量,是一个相似的功能节点之间我和j。 在分组,我们寻求分区组顶点到分离集V1、V2,…Vm,通过一些测量顶点之间的相似度在一组六世高和,穿过不同Vi,Vj低分区图,我们也需要考虑以下问题: 1什么是精确的标准好分区?2怎样才能使这样一个分区计算有效吗? 在图像分割和数据聚类的社区, 已经有很多之前的工作使用的变化最小生成树或有限的社区设置方法。尽管它们使用了有效的计算方法，这个细分标准用于大部分都是基于局部属性的图。因为知觉分组是关于提取全球印象的一个场景,正如我们前面看到的一样,这个分区标准经常低于这个主要的目标。 在本文中,我们提出一个新的用标准测量一个图像的美好规范化的削减。我们介绍,证明这一标准在第二节。这一标准的最小化可以作为一个广义特征值问题制定。这个特征向量可以用来构建良好的分区图像和过程可以递归地继续作为理想的(2.1节)。第三节给出了详细的解释我们的步骤分组算法。在第四节,我们显示实验结果。制定和最小化标准的归一化削减了身体的结果从田野的光谱图论(第五节)。工作在计算机视觉的关系讨论了第六节和比较与相关特征向量的基础分割方法反映在6.1节。我们结论在第七节。 主要结果本文首次提出了在[20]。 2分组为图分区一个图G=(V,E)可以分割成两个互斥的集;,通过简单的移除边缘连接两个部分。不同的程度在这两块可以计算为总重量的边缘,已被移除。在图理论语言,它被称为削减: 一个图的最优是最小化这种削减价值。虽然有一个指数许多这样的分区,找到最小割的图是一种专门研究问题和存在有效的算法求解。 吴和莱希[25]提出了一种基于聚类方法在这个最小割准则。特别是,他们寻求分区图到这样最大抄近路穿过亚是最小化。这个问题可以有效