Efficient Graph-Based Image Segmentation 基于图的图像分割，Selective Search 算法基础

• 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

1. 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

2. 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
3. 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
• 控制了 超像素的大小
• 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

1. 计算每个像素点与其 8邻域 或 4邻域 的不相似度。

2. 将边按照不相似度 从小到大排列得到
3. 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 对应的 2 个区域不一定能连接。
4. 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
   • 不相似度 两区域内部的不相似度，即 执行 5，否则执行 6
5. 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：（不相似度小的边先合并，所以 即为合并后的最大边）
6. 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