Поощрение границ объектов по краям в сегментации сегмента графа

Question

До сих пор я сегментировал некоторые полутоновые изображения, используя либо метод Оцу, либо K-средство. Однако я заметил, что сегментация не может быть «идеальной» только на основе интенсивности. По крайней мере, нужно было бы рассматривать локальные градиенты в изображении.

Затем я провел некоторое исследование и натолкнулся на алгоритм сегментации графика. Я думал, что этот алгоритм будет полезным, так как

1. Отношения между соседними пикселями считается
2. я мог включить предшествующее знание, если я не знаю пикселей, которые принадлежат к определенному классу заранее.

Я уже делал некоторые тесты, используя Shai's MATLAB Graph Cut wrapper, и заметил, что Graph Cut не кажется таким же полезным, как я думал. На основе градиента я могу уменьшить штраф за границу класса, но не могу рекомендовать алгоритм для рисования границ по краям - если граница отсутствует в инициализации через K-Means/Otsus (для создания Dc) алгоритм не будет рисовать один, хотя может существовать сильный локальный край. Я думаю, это связано с тем, что затраты должны быть положительными. Следовательно, похоже, что Graph-Cut здесь помогает только сгладить границы, но это не поможет мне ввести «новые».

Краткая история: Моя история выше звучит правдоподобно для вас, то есть мои выводы имеют смысл? Или, есть ли способ использовать края для создания границ?

Спасибо!

PS. Извините, я не могу показать реальный образ, о котором я говорю здесь :(

Answer 1

Чтобы сократить длинную историю: используя «обычную» форму для вырезания графа, для поощрения гладкости используется пара-мудрый термин. настраиваться на основе локальных градиентов, чтобы быть слабее по границе изображения, но, как вы правильно отметили, он всегда неотрицателен, поэтому он никогда не поощряет изменение метки (если не существует убедительных доказательств в per-pixel term).

Требование для неотрицательных парных терминов называется «субмодульностью» и только для субмодульных энергий существует полиномиальное временное решение (точное для случая с двумя метками, хорошее приближение для нескольких меток).
Вы может больше узнать о «подмодульности» в этой совместной ntext на Kolmogorov and Zabih, What Energy Functions can be Minimized via Graph Cuts?, PAMI 2004.

Однако вы можете определить не субмодульные веса для попарных членов через границы изображения. Вы больше не сможете использовать «обычную» реализацию GCMex, однако есть некоторые хорошие алгоритмы аппроксимации, которые могут дать неоправданные результаты даже в шаткой области не субмодульных энергий.
Первое приближение к исследованию для случая с двумя этикетками - QPBO, описанное в Kolmogorov and Rother, Minimizing non-submodular functions with graph cuts - a review, PAMI 2007.
Следующим шагом является мульти-метка, multi-scale approximation, описанная в Bagon and Galun, A Multiscale Framework for Challenging Discrete Optimization, NIPS 2012.

Последнее, но не менее, если у вас есть только парные взаимодействия (положительные и отрицательные) и нет четких условий попиксельных, вы можете рассмотреть вопрос о сегментации с использованием Correlation Clustering функциональных.