Sebagai tambahan untuk jawaban Penelope , dua keluarga populer (dan trendi) algoritma.
Superpixels
Keluarga algoritma yang sangat populer yang disebut Superpixels sangat trendi sekarang (bahkan ada beberapa sesi Superpixel dalam konferensi CV). Superpixel sangat mirip segmentasi berlebih (seperti yang diberikan DAS), sehingga diperlukan beberapa pemrosesan pasca.
Superpixels dapat dilihat sebagai wilayah gambar homogen kecil . Jarak antara piksel dievaluasi seperti dalam penyaringan bilateral, yaitu, itu adalah campuran antara jarak spasial dan kesamaan visualnya yang pergi ke 0 ketika mereka dekat dan serupa dan untuk beberapa nilai yang lebih besar sebaliknya.
Kemudian, metode superpixels mencoba berbagai kriteria untuk membentuk daerah homogen kecil sehubungan dengan ukuran ini. Ada banyak dari mereka (berbasis grafik, pencarian mode / berbasis pengelompokan ...), jadi saya kira yang terbaik adalah merujuk Anda ke laporan teknologi ini .
(sunting :) Jika seseorang mencari karya peer-review yang diterbitkan, artikel ini ditulis oleh penulis yang sama dan mencakup materi yang sama dengan laporan teknologi:
R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk: SLP Superpixel Dibandingkan dengan Metode Superpixel yang canggih
Catat ketika saya menulis versi pertama dari jawaban yang secara visual hasilnya sangat mirip dengan apa yang disediakan oleh segmentasi berlebihan DAS. Ini dikonfirmasi oleh penulis laporan teknologi yang memasukkan daerah aliran sungai di bagian pekerjaan terkait. Jadi, Anda juga perlu melakukan pemrosesan pasca yang sama: sementara superpixel dapat menjadi fitur yang berguna untuk digunakan sebagai pengganti piksel, mereka masih perlu dikelompokkan untuk membentuk wilayah tingkat yang lebih tinggi jika Anda perlu melacak / mendeteksi objek.
Metode segmentasi berbasis grafik
Keluarga algoritme populer lainnya berasal dari analisis hubungan piksel, yaitu, seberapa dekat piksel dalam penampilannya. Ini menghasilkan keluarga berbasis teori metode segmentasi seperti pemotongan yang dinormalisasi (J. Shi, J. Malik: Potongan Normalisasi dan Segmentasi Gambar ) .
Inilah intuisi untuk pendekatan ini: anggaplah piksel Anda sekarang adalah titik (simpul) dari grafik dimensi tinggi.
Dalam grafik, dua simpul dapat dihubungkan oleh suatu sisi , yang beratnya berbanding terbalik dengan jarak antar simpul. Biasanya, fungsi bobot akan menjadi suatu kebalikan dari campuran antara jarak spasial mereka dan kesamaan visual mereka (seperti dalam penyaringan bilateral)
Kemudian, mengingat grafik ini, algoritma segmentasi dapat mencari kelompok simpul terbaik, yaitu kelompok simpul yang memiliki jarak intra-grup kecil dan jarak grup ekstra besar .
Dalam pendekatan Cut Normalisasi, beberapa perawatan tambahan diambil untuk menghindari bias yang diperkenalkan oleh ukuran populasi yang berbeda dari cluster. Selanjutnya, eksplorasi grafik dapat dihindari dengan menghitung SVD dari matriks bobot, juga dikenal sebagai matriks konektivitas dalam teori grafik.