Як доповнення до відповіді Пенелопи , дві популярні сімейства (та модні) алгоритми.
Суперпікселі
Зараз дуже популярна сім'я алгоритмів під назвою Superpixels (є навіть кілька сесій Superpixel у CV-конференціях). Суперпікселі дуже схожі на надсегментацію (як те, що дає вододіл), тому потрібна деяка післяобробка.
Суперпікселі можна розглядати як невеликі однорідні області зображень . Відстань між пікселями оцінюється як при двосторонньому фільтруванні, тобто це суміш між їх просторовою відстані та їх візуальною схожістю, що доходить до 0, коли вони близькі та подібні, і до деякого більшого значення в іншому випадку.
Тоді методи суперпікселів намагаються застосовувати різні критерії, щоб утворити невеликі однорідні області щодо цього показника. Їх багато (на основі графіків, режиму пошуку / кластеризації ...), тому, мабуть, найкраще звернутися до цього технічного звіту .
(редагувати :) Якщо хтось шукає опубліковану рецензовану роботу, ця стаття є тими ж авторами і охоплює той самий матеріал, що і доповідь про техніку:
Р. Аханта, А. Шаджі, К. Сміт, А. Лучі, P. Fua, S. Susstrunk: SLIC Superpixels порівняно з найсучаснішими методами Superpixel
Зауважте, що я писав першу версію відповіді, що візуально результати дуже схожі на те, що переливна сегментація дає вам. Це підтверджують автори звіту про техніку, які включають вододіли у відповідну робочу частину. Таким чином, вам також потрібно виконати ту саму післяобробку: хоча суперпікселі можуть бути зручними функціями, які використовуються замість пікселів, їх все одно потрібно згрупувати, щоб утворити регіони вищого рівня, якщо вам потрібно відстежувати / виявляти об'єкти.
Методи сегментації на основі графіків
Інша популярна сім'я алгоритмів походить від аналізу співвідношення пікселів, тобто того, наскільки пікселі близькі за своїм виглядом. Це дає сімейство методів сегментації, заснованих на теорії графіків, таких як нормалізований зріз (Дж. Ши, Дж. Малік: Нормалізовані надрізи та сегментація зображень ) .
Ось інтуїція такого підходу: припустимо, ваші пікселі тепер є точками (вершинами) графіка високого розміру.
На графіку дві вершини можуть бути з'єднані ребром , вага якого обернено пропорційний деякій відстані між вершинами. Зазвичай вагова функція буде деякою зворотною змішкою між їх просторовою відстані та їх візуальною схожістю 8а при двосторонньому фільтруванні).
Тоді, з урахуванням цього графіка, алгоритми сегментації можуть шукати кращі кластерови вершин, тобто груп вершин , які мають невелику внутригрупповое відстань і велику екстра-група відстань.
У підході до нормованого різання слід дотримуватися деякої додаткової обережності, щоб уникнути будь-яких упереджень, введених різними розмірами кластерів. Крім того, дослідження графів можна уникнути, обчисливши SVD матриці ваг, також відому як матриця зв’язку в теорії графіків.