Как дополнение к ответу Пенелопы , два популярных семейства (и модных) алгоритмов.
суперпикселей
Очень популярное семейство алгоритмов, называемых суперпикселями, сейчас очень модно (есть даже несколько сессий суперпикселей в конференциях CV). Суперпиксели во многом похожи на чрезмерную сегментацию (например, то, что дает вам водораздел), поэтому требуется некоторая постобработка.
Суперпиксели можно рассматривать как небольшие однородные области изображений . Расстояние между пикселями оценивается как при двусторонней фильтрации, т. Е. Оно представляет собой смесь между их пространственным расстоянием и их визуальным сходством, которое уменьшается до 0, когда они близки и похожи, и до некоторого большего значения в противном случае.
Затем методы суперпикселей пробуют различные критерии для формирования небольших однородных областей по этой мере. Их много (основанных на графике, режиме поиска / кластеризации ...), поэтому я думаю, что лучше всего направить вас к этому техническому отчету .
(править :) В случае, если кто-то ищет опубликованную рецензируемую работу, эта статья принадлежит тем же авторам и охватывает тот же материал, что и технический отчет:
Р. Аханта, А. Шаджи, К. Смит, А. Луччи, P. Fua, S. Susstrunk: суперпиксели SLIC по сравнению с современными суперпиксельными методами
Обратите внимание, как я написал первую версию ответа, визуально результаты очень похожи на то, что дает вам чрезмерная сегментация водораздела. Это подтверждают авторы технического отчета, которые включают водоразделы в соответствующую рабочую часть. Таким образом, вам также необходимо выполнить ту же пост-обработку: хотя суперпиксели могут быть удобными функциями для использования вместо пикселей, они все равно должны быть сгруппированы для формирования областей более высокого уровня, если вам нужно отслеживать / обнаруживать объекты.
Методы сегментации на основе графа
Другое популярное семейство алгоритмов происходит из анализа взаимосвязи пикселей, т. Е. Того, насколько близки пиксели по внешнему виду. Это дает основанное на теории графов семейство методов сегментации, таких как нормализованный разрез (J. Shi, J. Malik: нормализованные разрезы и сегментация изображения ) .
Вот интуиция для этого подхода: предположим, что ваши пиксели теперь являются точками (вершинами) многомерного графа.
В графе две вершины могут быть соединены ребром , вес которого обратно пропорционален некоторому расстоянию между вершинами. Как правило, весовая функция будет некоторой обратной величиной сочетания между их пространственным расстоянием и их визуальным сходством (как при двусторонней фильтрации).
Затем, учитывая этот график, алгоритмы сегментации могут искать лучшие кластеры вершин, то есть группы вершин, которые имеют небольшое расстояние внутри группы и большое расстояние вне группы .
При подходе нормализованного разреза предпринимаются некоторые дополнительные меры предосторожности, чтобы избежать смещения, обусловленного различными размерами совокупности кластеров. Кроме того, исследования графа можно избежать путем вычисления SVD матрицы весов, также известной как матрица связности в теории графов.
