पेनेलोप के उत्तर के एक परिशिष्ट के रूप में , एल्गोरिदम के दो लोकप्रिय परिवार (और फैशनेबल)।
Superpixels
एल्गोरिदम का एक बहुत लोकप्रिय परिवार जिसे सुपरपिक्सल कहा जाता है, अभी बहुत फैशनेबल है (सीवी सम्मेलनों में कुछ सुपरपिक्सल सत्र भी हैं)। सुपरपिक्सल्स बहुत अधिक ओवर-सेगमेंटेशन की तरह हैं (जैसे वाटरशेड आपको क्या देता है), इसलिए कुछ पोस्ट-प्रोसेसिंग की आवश्यकता होती है।
सुपरपिक्सल को छोटे सजातीय चित्र क्षेत्रों के रूप में देखा जा सकता है । पिक्सल के बीच की दूरी का मूल्यांकन द्विपक्षीय फ़िल्टरिंग के रूप में किया जाता है, अर्थात, यह उनकी स्थानिक दूरी और उनकी दृश्य समानता के बीच एक मिश्रण है जो 0 के पास जाता है जब वे करीब और समान होते हैं और अन्यथा कुछ बड़े मूल्य पर।
फिर, सुपरपिक्सल तरीके इस माप के संबंध में छोटे सजातीय क्षेत्रों को बनाने के लिए विभिन्न मानदंडों का प्रयास करते हैं। उनमें से कई हैं (ग्राफ़-आधारित, मोड की मांग / आधारित क्लस्टरिंग ...), इसलिए मुझे लगता है कि इस तकनीकी रिपोर्ट में आपको संदर्भित करना सबसे अच्छा है ।
(संपादित करें :) मामले में किसी को एक प्रकाशित सहकर्मी-समीक्षित काम की तलाश है, यह लेख समान लेखकों द्वारा है और तकनीकी रिपोर्ट के समान सामग्री को कवर करता है:
आर अचंता, ए। शाजी, के। स्मिथ, ए। लुच्ची, पी। फुआ, एस। सेस्ट्रुंक: एसएलआईसी सुपरपिक्सल्स, अत्याधुनिक सुपरपिक्सल तरीकों की तुलना में
ध्यान दें जैसा कि मैंने उत्तर का पहला संस्करण लिखा है कि नेत्रहीन परिणाम बहुत समान है जो वाटरशेड अति-विभाजन आपको प्रदान करता है। यह तकनीकी रिपोर्ट के लेखकों द्वारा पुष्टि की जाती है जो संबंधित कार्य भाग में वाटरशेड शामिल करते हैं। इस प्रकार, आपको एक ही पोस्ट-प्रोसेसिंग करने की भी आवश्यकता है: जबकि सुपरपिक्सल पिक्सेल के बजाय उपयोग करने के लिए आसान विशेषताएं हो सकते हैं, फिर भी आपको ऑब्जेक्ट्स को ट्रैक / पता लगाने की आवश्यकता होने पर उच्च-स्तरीय क्षेत्र बनाने के लिए समूहबद्ध करने की आवश्यकता होती है।
ग्राफ आधारित विभाजन विधियाँ
एल्गोरिदम का एक और लोकप्रिय परिवार पिक्सेल संबंध के विश्लेषण से आता है, अर्थात, पिक्सेल उनकी उपस्थिति में कैसे करीब हैं। यह सामान्यीकृत कटौती (जे शि, जे मलिक: सामान्यीकृत कटौती और छवि विभाजन ) जैसे विभाजन के तरीकों का एक ग्राफ-सिद्धांत आधारित परिवार देता है ।
यहाँ इस दृष्टिकोण के लिए अंतर्ज्ञान है: मान लीजिए कि आपके पिक्सेल अब एक उच्च-आयामी ग्राफ के अंक (कोने) हैं।
ग्राफ में, दो छोरों को एक किनारे से जोड़ा जा सकता है , जिसका वजन कोने के बीच की दूरी के विपरीत होता है। आमतौर पर, वजन समारोह उनके स्थानिक दूरी और द्विपक्षीय फिल्टरेशन में उनकी दृश्य समानता 8as के बीच मिश्रण का कुछ पारस्परिक होगा)।
फिर, इस ग्राफ को देखते हुए, विभाजन एल्गोरिदम वर्टिकल के सबसे अच्छे समूहों के लिए देख सकते हैं, अर्थात, उन समूहों के समूह जिनकी एक छोटी अंतर-समूह दूरी और एक बड़ी अतिरिक्त-समूह दूरी है।
सामान्यीकृत कट दृष्टिकोण में, समूहों की विभिन्न जनसंख्या आकारों द्वारा शुरू किए गए किसी भी पूर्वाग्रह से बचने के लिए कुछ अतिरिक्त देखभाल की जाती है। इसके अलावा, ग्राफ एक्सप्लोरेशन में कनेक्टिविटी मैट्रिक्स के रूप में भी जाना जाने वाला वेट मैट्रिक्स के एसवीडी की गणना करके ग्राफ एक्सप्लोरेशन से बचा जा सकता है।
