Graph 计算机视觉:分割设置。图割势
我一直在努力教自己一些简单的计算机视觉算法,并试图解决一个问题,我有一些噪声破坏的图像,所有我试图做的是分离黑色背景和前景,其中有一些信号。现在,背景RGB通道并非全部为零,因为它们可能有一些噪声。然而,人眼可以很容易地从背景中辨别前景 所以,我所做的是使用SLIC算法将图像分解为超级像素。其想法是,由于图像受到噪声的破坏,因此,由于较高的信噪比,对斑块进行统计可能会导致更好的背景和前景分类 在这之后,我得到了大约100个补丁,它们应该具有相似的轮廓,SLIC的结果似乎是合理的。我一直在读关于图切割(Kolmogorov论文)的书,对于我所遇到的二进制问题,尝试一下似乎是件好事。因此,我构造了一个图,它是一阶MRF,并且在近邻之间有边(4-连通图) 现在,我想知道我可以在这里使用什么样的一元和二元术语来进行分割。所以,我在考虑一元项,我可以把它建模为一个简单的高斯分布,背景应该是零平均强度,前景应该是非零平均强度。尽管如此,我仍在努力找出如何对其进行编码。我是否应该假设一些噪声方差并直接使用面片统计计算概率 类似地,对于相邻的补丁,我确实希望鼓励他们使用类似的标签,但我不确定我可以设计什么二进制术语来反映这一点。似乎只是标签(1或0)之间的差异看起来很奇怪 对不起,这个冗长的问题。希望有人能给出一些关于如何开始的有用提示。你可以在超级像素上构建模型,这样一个超级像素就可以连接到另一个超级像素(如果它是超级像素的邻居) 因为你的统计模型简单,计算成本低 因此,对于CRF的一元术语,我建议如下:Graph 计算机视觉:分割设置。图割势,graph,computer-vision,image-segmentation,max-flow,Graph,Computer Vision,Image Segmentation,Max Flow,我一直在努力教自己一些简单的计算机视觉算法,并试图解决一个问题,我有一些噪声破坏的图像,所有我试图做的是分离黑色背景和前景,其中有一些信号。现在,背景RGB通道并非全部为零,因为它们可能有一些噪声。然而,人眼可以很容易地从背景中辨别前景 所以,我所做的是使用SLIC算法将图像分解为超级像素。其想法是,由于图像受到噪声的破坏,因此,由于较高的信噪比,对斑块进行统计可能会导致更好的背景和前景分类 在这之后,我得到了大约100个补丁,它们应该具有相似的轮廓,SLIC的结果似乎是合理的。我一直在读关于图
或者,您可以计算观察到的每个超级像素纹理的直方图(同样,像素级),并计算每个相邻的超级像素对之间的直方图。一个好的起点是Yuri Boykov的日志论文:您可以查看我在旧网站上找到的多标签。非常感谢Shai!你的网站给了我很多想法去尝试。再次感谢!