论文标题:Structure-Sensitive Superpixels via Geodesic Distance 作者: ykdhf (没找到是什么期刊的。。。) 算法:
流程: 1. 均匀且避开边界位置设置seeds。 2. 迭代: ① 划分每个像素所属的superpixel ② 更新superpixel中心点,使Energy最小 迭代终止条件: ①. Energy变化值小于阈值 ②. 迭代次数达到迭代上限 ps: 最后一次迭代过程中,分解较小的superpixel,使用其余的seeds构建superpixel。 Geogedis Distance: geodesic distance 根据梯度控制大小,并且排除低强度边干扰。 D(x)通过计算图像纹理结构表示增量。 E(x)表示标准化图像梯度。 图像复杂,梯度大,E(x)大,D(x)大,Dg(xi,xj)大,则superpixel小。 yxdls滤波这个过程很重要,不然对纹理太敏感不利于分割。
Structure Penalization: 限制每个superpixel的Structure。 Structure: 注意并不是面积约等于,而是D(x)的积分。 纹理复杂区域范围小,平坦区域范围大。 Al > A均值时,更改geogedis distance:
Geogedis Distance计算: fast marching method 计算距离。速度公式: 范围大于均值时降低速度。 yxdls函数降低噪声对计算的影响。 = 1/α , α = sqrt(M/N) M为像素个数,N为当前迭代次数。 求得距离。
划分所属superpixel: 像素点属于每个superpixel属于yxdls分布: 则像素点x属于superpixel cl的概率为: 将 像素划分至概率最高的superpixel:
Center Refinement: 选取合适的cl点使Eimage最小,即 由于cl’为极值点,所以在cl'处使Eimage 的倒数为0。 计算方法:上式中Dg距离用上次迭代的值计算。 ▽Dg用mldxg距离代替。
Weight Approximation: 权重与x到cl的距离负相关。 距离越近,所属概率越大,权重越大。 分母 为scaling parameter,越大算法越接近k-means 验证近似算法有效性: 1. 近似值与真实值比较 2. 观察seeds选取效果,避开边界 时间复杂度降低:不用计算到每个superpixel中心的距离。
Center Splitting: 分割条件:1. Al远大于A均值 2. seeds变化很小 ll()表示满足条件时取1。 Tc,Ts为阈值。 为第一和第二eigenvalue通过PCA (Jolliffe 1986)获得。 在彩色图片中,分割条件中加入颜色限制。 分别是superpixel和图片的标准差。 为常量0.015,Niter为当前迭代次数。 满足条件进行分割: 若在迭代过程中,seeds数量不够,但未达到切割条件,则选取最大10个superpixels切割。
Center Merging: 合并条件: 彩色图片添加条件: 其中ADJ(Sp,Sq)为Sp和Sq相邻边界长度。 C()为superpixel边界长度。 在superpixel个数大于0.8N时,将满足条件的superpixel以Dis(Cp,Cq)降序排列,并贪心算法合并superpixel。 合并后seed为 一次迭代值合并一次,以保证平衡。 合并后的superpixel,在下次迭代中不能分割,避免循环。 合并会导致Eimage增加,但远没有分割和relocation减少的多。
Splitting-Merging & Splitting: 优点: 1. 可在更少迭代次数内完成。 2. 不依赖初始设定的superpixel个数 3. 处理较小的superpixel,将其与其他superpixel合并 缺点: 时间复杂度较高 Initial Seeds Placement: 基于density map D(x)进行初始化。 =2sqrt(M/K) ZD为normalization operator 使Dsample积分为1。
Acceleration Scheme for Optimization: 部分superpixel在后几次迭代中并不移动或是移动很少,所以固定这些superpixel减小之后迭代的时间复杂度。 固定条件: 1. seeds移动很少, , 且不满足分割条件 2. 该superpixel周边superpixel也满足条件1 直率的小白菜superpixel周边superpixel违反固定条件1,则接触该superpixel的固定状态。
总结: SSS考虑到图像纹理,能达到更好的效果,对不同图片具有更强的适应性。SSS实现更困难,需要运用多方面的算法。时间复杂度为O(MNi),M为像素个数,Ni为迭代次数。 与SLIC对比: 时间复杂度方面SSS与SLIC大致相同,SSS略快。两个算法基本都是k-means方法的变化。 两者流程区别: 1. SLIC仅通过改变搜索范围达到更低时间复杂度 2. SSS运用geodesic distance考虑两点之间信息 3. SSS的energy最小化公式计算权重,而SLIC将权重全默认为1 问题:SSS论文较长,理解花了很长时间,SSS算法计算测地距离,所以时间复杂度较高,涉及的特征值看似只是梯度的总和,但总和这一点还是与空间特征相关,思考是否能在测地距离基础上做一些修改,只用梯度特征值,以适应细长物体检测,分割superpixel更贴合物体边界?