Image processing 基于最小度量的区域生长图像分割算法

是否有一种基于像素的

区域增长

算法可用于提取图像上的特征（

分割

），方法是基于某个

度量的最小化向
种子
添加像素。潜在地，如果添加该像素时未优化
度量
（即可能回溯并返回到先前迭代中获得的
种子
）

我将尝试进一步解释我的目标：

此算法从图像上选择的
initialseed
的中心像素

开始

然后，分别探索

4个相邻

（

右

，

左

，

底部

和

顶部

相邻）中的每一个，以查看是否通过在所选方向上生长种子来优化

度量

相邻像素

可能不会立即优化

度量

，即使通过添加此像素创建的

种子

在未来迭代中将是最佳的

如果获得的

种子

不是最佳的，则有可能将

相邻像素

添加到种子中，但随后移除

有谁能向我推荐一种足以解决这类问题的

人工智能
技术（或
贪婪方法
）吗？此外，什么是判断添加像素将优化度量的好标准，即使这可能会在未来的迭代中发生

p.S:我开始实现上面在
Python
中解释的内容，但陷入了确定
路径（
相邻像素
）是否值得探索的问题。现在，我尝试添加一个
相邻像素
，前提是生成的
种子
相对于度量改进了
错误
。然而，即使通过添加
右侧
或
左侧
邻接的
度量
未得到优化，这两条
路径中的一条
可能会导致未来的最优解（如第三个目标中所述）。
您基本上概述了使用此方法可以获得的最成功的算法。它的成功与否在很大程度上取决于您用于添加/删除像素的度量，但是您可以做一些事情来模拟您想要的行为

定义
我们将调用正在优化的度量
M
，其中
M（R）
是区域
R
的度量值，区域
R
是一些像素集合。我假设优化度量将导致最大可能的值
M
，但是如果目标是最小化
M
以及，此方法也可以工作

方法论
此方法将稍微向后返回到原始轮廓，但它应满足两个要求：从种子添加位于非最佳路径中的像素，以及删除对优化没有显著影响的像素

我们将从种子
s
开始，但我们将迭代地将图像中的所有像素（或最大特征大小）添加到我们的区域中，而不是边走边评估路径。在每一步中，我们将根据像素对当前区域度量的改进程度来确定像素值，
M（p）
。这与包含像素的区域的值不相同（
M（R）
，其中
p
位于
R
）。相反，它将是包含像素的区域的值与添加像素之前的区域的值的差（
M（p）=M（R）-M（R'），其中R=R'+p
）。如果你有能力评估单个像素，你可以简单地使用它

下一个变化是在
M（R）
中包含一个正则化参数，该参数根据包含的像素数对分数进行惩罚：
N（R）=M（R）-a*|R |
其中
a
是一些任意的正常数，
|R |
表示我们区域中的基数（像素数）注意：如果目标是最小化
M
，则
a
应为负值。如果区域包含太多像素，则这将产生惩罚区域分数的效果

最后，在将所有像素添加到该区域并对每个像素计算
N（p）
后，我们再次迭代该区域。这一次，我们从添加的最后一个像素开始，向后迭代我们的像素集，在种子
s
处结束。在每次迭代中，确定区域
N（R）
的分数。如果分数
N（R）
自上一次迭代以来已下降，则我们移除分数最低的像素
p
。这应该具有对分数贡献最大的区域中最小像素数的效果

其他考虑事项
如果修剪后剩余像素位于非连续路径上，则可以运行辅助算法来添加相邻像素。您需要进行测试以确定
a
的最佳值，这样可以保留足够的像素来重建建筑，但它并不包括图像中的每个像素

我的意见（你没有要求）
总的来说，我认为你会更幸运地使用更健壮的算法，比如用于特征分类的算法。它们可能会比上述算法更快、更准确。
你已经有了一个比较像素区域的度量，还是你也需要创建一个度量？@Aabglov我想是的，因为通过
metric
我的意思是我有一种
基本真理
我正在比较。基本上，在每个