- Paper：Efficient Graph-Based Image Segmentation, MIT, 2004
- 参考：基于图的图像分割（Graph-Based Image Segmentation）
1. 整体思路
充分利用了 图、树、最小生成树、森林 等传统数据结构
- 像素点之间的相似度，由 RGB 衡量，也可用其他颜色空间，本质上是对 R/G/B 三值后处理
- 那么全图像素形成1个无向图
，每个顶点可形成 8邻域 或 4邻域 相似度
- 使用最小生成树算法将无向图中的节点联系成森林，可理解森林中每棵树即为1个物体
2. 全局阈值 → 自适应阈值
聚类时：判断两个区域是否合并，最简单的方法只考虑连接二者的边的不相似度。
2.1 全局阈值分配并不合适
- h 高频区，像素变化差异大
- s 斜坡区，像素逐级变化，刚好在区域连接处的边满足阈值
- p 平坦区，像素基本无变化，低频区
2.2 自适应阈值
类内差异 vs 类间差异
- 定义
值，增加1个可变常数项
，解决合并起点 “零容忍” 问题。
- 既然
表示区域像素数，那么归并起点
，则
-
：
表示 min，二者较小值
下图展示了不同分割结果，有 3 个参数
-
高斯核，先对原图高斯滤波
-
-
超像素最小阈值，当
，选择与其差异最小的区域合并
设置不同 k 的分割结果
3. 算法步骤
- 计算每个像素点与其 8邻域 或 4邻域 的不相似度。
- 将边按照不相似度 从小到大排列得到
- 选择
：最小生成树，两个区域只需要连接 1 条边，但是最小不相似度的边对应的两个区域不一定满足 4 中的条件 2，即
- 对当前选择的边
进行合并判断。设其所连接的顶点为
，如果满足合并条件：
-
属于两个不同区域
-
执行 5，否则执行 6
-
- 更新阈值及类标号
- 更新类标号：
统一为
- 更新该类的不相似度阈值：
（注意：由于不相似度小的边先合并，所以
即为合并后的最大边，即
）
- 更新类标号：
- 如果
，按顺序选择下一条边，转到 4
以上算法尚不能解决 孤立的同类区域，还需要做一些最近邻树的相似性度量
