Computer vision 如何计算图像的关联矩阵？

我一直在阅读关于如何计算图像的亲和矩阵的公式，我有点困惑。理想情况下，我希望使用颜色强度作为距离度量

我发现这个参考：

这似乎很好地解释了整个过程。我的问题是关于亲和矩阵

当构建亲和矩阵（我称之为A）时，他们提到亲和矩阵的大小应为Kxn图像的KxK大小。其他参考实现表示MxN映像的关联矩阵应为（M*N）x（M*N）：

哪一种是传统的方法

在计算亲和矩阵时，我想知道每个条目A（I，j）是否是邻域计算（如3x3邻域的亲和性或整个图像中的像素）

或者将图像线性化为一维数组

构造一个（m*n）x（m*n）矩阵（亲和矩阵），并在遍历一维图像阵列时，对像素i和每隔一个像素j应用亲和函数。并将结果存储到亲和矩阵中

（基本上是双嵌套for循环）

我离开基地了吗？或者这就是它的样子

提前感谢,

---

ct

我认为您正在尝试使用两个距离度量，而方法只支持一个度量。图像在像素之间有一个隐式的空间度量，但是光谱聚类方法不能处理这个问题。它将图像视为一袋像素

关于

M

、

N

和

K

<代码>M*N=K。这两个表达式都描述了将被聚集的对象的数量，在您的例子中是像素的数量

亲和矩阵

A

是相似矩阵

S

的抽取版本。例如，如果两个对象/像素不够相似，则表示它们不相邻

构造邻接矩阵的一种方法如下：

S(i, j) = color_intensity_distance( pixel(i), pixel(j) )

A(i, j) = exp( - S(i,j) ), if S(i,j) <= epsilon
A(i, j) = 0, otherwise

S（i，j）=颜色强度距离（像素（i），像素（j））
A（i，j）=exp（-S（i，j）），如果S（i，j）你想做什么？是否要对“图像外观”进行群集？还是要对“相似值的像素”进行聚类？相似值的像素工作该技术称为“光谱消光”，我也注意到，对于相对正常的图像大小，生成（m*n）^2矩阵对于我的桌面系统来说很难。