基于图割的快速的近似能量最小化.pptxVIP

使用图割的快速近似能量最小化姓名：梁瑷云时间：2016.5.17目录摘要早期视觉的能量最小化相关工作算法综述寻找最优交换移动（算法）寻找最佳扩展移动（算法）?最优性能 POTTS?模型实验结果结论摘要 作者提出两种基于图割的算法：α-expansion 和α-β-swap 移动算法，可以同时改变标签任意大的像素集。目的:找到一个有效的局部最小值，已达到找全局最小值的目的。能处理更一般的能量函数。主要用于图像恢复、立体声、运动方面。精确度能达到98%。早期视觉的能量最小化 许多早期视觉领域，通常需要估计一些空间（像素平面）上变化的量（如图像灰度、视差大小）。这些量在块的内部变化平滑，在块与块之间（物体边界）变化很大，像素点p ∈P被分配给有限集合fp ∈ L。将每个像素映射到标签集中的某个标签上，这里标签函数（映射）?f?不仅需要满足分块平滑的特点而且需要和观测到的数据一致。? 能量函数： E(f)=Esmooth(f)+Edata(f) 在能量函数的构造上一般有数据约束和平滑约束，体现了区域内部的连续性和边界的不连续性。Esmooth(f)?表达的是?f?分块不平滑的程度，Edata(f)?表达的是标签函数?f?与观测到数据的不一致性。Edata(f)?的一般形式是 Edata(f)=∑(p ∈P)Dp(fp) Dp 来度量标签与观测数据的一致性，在图像恢复Dp(fp)=(fp-I