超级会员免费看
图像分割与模型拟合：原理、方法与应用
图像分割实践
图像分割是计算机视觉领域的重要任务，旨在将图像划分为不同的区域或对象。在实际应用中，有多种图像分割方法可供选择，每种方法都有其特点和适用场景。
归一化割（Normalized Cuts）
归一化割是一种常用的图像分割准则，其目标是找到一个分割，使得分割后的两个组件之间的边权重之和较小，而组件内部的边权重之和较大。具体来说，归一化割的得分定义为：
[Ncut(A,B)=\frac{cut(A,B)}{assoc(A,V)}+\frac{cut(A,B)}{assoc(B,V)}]
其中，(cut(A,B)) 是所有一端在 (A) 中，另一端在 (B) 中的边的权重之和，(assoc(A,V)) 是所有一端在 (A) 中的边的权重之和。我们希望找到使该准则值最小的分割，即归一化割。然而，这个问题是一个组合优化问题，即使对于网格图也是 NP 完全问题，直接求解非常困难。不过，Shi 和 Malik（2000）提出了一种近似算法，可以得到较好的分割结果。
归一化割在实际应用中表现良好，例如在图 9.24 中，使用归一化割框架对图像进行分割，能够将游泳的老虎图像分割为老虎、草地和湖泊等不同的组件，并且在纹理测量方面比 k-means 分割有明显的改进。
图像分割代码资源
现在有许多重要的图像分割器的代码可供使用，以下是一些常见的代码资源：
- EDISON 代码 ：来自罗格斯大学计算机视觉小组，可从 http://coewww.rutgers.edu/riul/research/robust.html 下
订阅专栏 解锁全文
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
