SSS算法(Structure-Sensitive Superpixels via Geodesic Distance)
2017-09-02 18:12
555 查看
论文标题:Structure-Sensitive Superpixels via Geodesic Distance
作者:Peng Wang · Gang Zeng · Rui Gan · Jingdong Wang · Hongbin Zha
(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。
高斯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。
高斯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属于高斯分布:
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用欧几里得距离代替。
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
若某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?
作者:Peng Wang · Gang Zeng · Rui Gan · Jingdong Wang · Hongbin Zha
(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。
高斯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。
高斯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属于高斯分布:
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用欧几里得距离代替。
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
若某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?
相关文章推荐
- SLIC Superpixels 算法代码学习笔记
- SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods
- Manifold SLIC A Fast Method to Compute Content-Sensitive Superpixels
- SLIC Superpixels 算法学习笔记
- CCS算法(Contour-Constrained Superpixels for Image and Video Processing)
- Seeds算法(SEEDS: Superpixels Extracted via Energy-Driven Sampling)
- 【Data_Structure笔记3】排序算法之插入排序常见的三种算法
- 【算法系列学习】[kuangbin带你飞]专题十二 基础DP1 E - Super Jumping! Jumping! Jumping!
- 海量文档查同或聚类问题 -- Locality Sensitive Hash 算法
- 海量文档查同或聚类问题 -- Locality Sensitive Hash 算法
- 算法第15周Find K-th Smallest Pair Distance[hard]
- service structure flowchart [mobile to server via HTTP RESTful API and TCP/IP in a map]
- SLIC Superpixels Compared to State-of-the-Art Superpixel Methods
- 【原创】Structure from Motion (SfM)算法测试---3D重建简介
- [html] PHP使用Google map web services来计算两点间的距离 -- Compute the distance between two place via Google map services in PHP
- 海量文档查同或聚类问题 -- Locality Sensitive Hash 算法
- 利用区域协方差:Structure-Preserving Image Smoothing via Region Covariances
- 算法学习之动态规划(leetcode 72. Edit Distance)
- 算法每日题Hamming distance
- 【Data_Structure笔记9】查找算法之【顺序查找和折半查找】