我要评论如何使用：超像素分割算法进行过分割——>对所有的超像素样本提取新特征(包括对比度增强直方图特征、超像素样本邻域纹理特征、基于先验知识的位置信息特征)——>采用距离约束优化的稀疏子空间聚类算法(对超像素样本进行聚类)
在超像素分割中构造自适应相似度系数
优：在超像素分割阶段就一定程度上解决了粘连区域
其中：
对比度增强直方图特征
在某种情况下，由于边界模糊和对比度低的原因，灰度特征不明显。增强以突出像素间的差别。但是图像增强容易边缘信息丢失。
解决：线性组合canny算子边缘检测图像与直方图均衡化图像的方法（增加图像对比度的同时保留图像边界
步骤：（1）计算图像各灰度级的出现频率：
（2）利用变换函数建立映射关系：
（3）将原图像标记为i；变换后的灰度值
对应的图像标记为
（4）利用canny算子得到的边缘检测结果图标记为
（5）将图像j1和j2进行线性组合，作为最终图像，标记为j
（6）对图像j进行超像素分割，并提取超像素块所对应的灰度直方图特征。
可以与传统的直方图均衡化对比。
超像素样本邻域纹理特征
设计：设计新特征来量化每个超像素样本与其邻接超像素样本的纹理差异
超像素样本邻域纹理特征
步骤：（1）计算图像的5个高斯金字塔，标记为level i，i=0,1,2,3,4。如图（b）
（2）由于level间的尺度不同，因此，先通过双线性插值调整level 2，使其与level 1尺度相同
（3）计算level 1 与level 2的差异图像，标记为
。如图（c）
（4）类似步骤2和3，计算level 1与3，2与3，2与4之间的差异图，分别标记为
、
、
（5）将s1-s4插值为原图像的大小，并对其分别执行改进后的超像素分割。对所有超像素块分别提取灰度均值与灰度方差特征。计算公式：
发表评论