Sto lavorando su un approccio bottom up alla segmentazione di immagini dove ho over-segmentare l'immagine in piccole-regioni/super-pixel/super-voxel E poi nel Voglio fondere in modo iterativo adiacente regioni sovra-segmentate basate su alcuni criteri. Un criterio con cui ho giocato è quello di misurare la somiglianza tra le due regioni nell'aspetto. Per quantificare l'aspetto di una regione, utilizzo diverse misure: statistiche dell'intensità, caratteristiche della trama, ecc. Metto in evidenza tutte le caratteristiche che computo per una regione in un vettore di funzionalità lunghe.
Domanda:
Dati due adiacenti regioni over-segmentati R1 e R2, lasciate F1 ed F2 siano i corrispondenti vettori di caratteristiche. Le mie domande sono le seguenti:
- Quali sono le buone metriche per quantificare la somiglianza tra F1 e F2?
- Il modo migliore per normalizzare F1 e F2 prima di quantificare la loro somiglianza con una metrica? (Utilizzando qualsiasi approccio supervisionato per la normalizzazione non è fattibile perché io non voglio che il mio algoritmo di essere legato ad un insieme di immagini)
Solution nella mia mente:
somiglianza (R1, R2) = dot_product (F1/norma (F1), F2/norma (F2))
A parole, per prima cosa normalizzo F1 e F2 come vettori di unità e quindi utilizzo il prodotto di punti tra i due vettori come misura di somiglianza.
Mi chiedo se ci siano modi migliori per normalizzarli e confrontarli con una metrica. Sarei felice se la comunità potesse indicarmi alcuni riferimenti e scrivere motivi per cui qualcos'altro è meglio della misura di somiglianza che sto usando.
Intendevi euclidean/manhattan dopo averli resi vettori unitari? Se no, allora non è una buona misura non è normalizzato. Per citare un esempio, prendi due coppie di regioni adiacenti (R1, R2) e (R3, R4). Ora immagina (R1, R2) di trovarsi in un luogo dell'immagine in cui l'illuminazione è scura e (R3, R4) si trovano dove l'illuminazione è relativamente luminosa e si assume un'illuminazione non uniforme. Inoltre, immagina (R1, R3) di avere la stessa trama e (R2, R4) per avere la stessa trama. In questo caso, una buona misura dovrebbe dare Similarity (R1, R2) = Similarity (R3, R4) ed entrambi euclidean/manhattan potrebbero non produrre questo. – cdeepakroy
Se si calcola la similarità del coseno, sarebbe identico alla metrica proposta. Cioè, Similarity (R1, R2) = dot_product (F1/norma (F1), F2/norma (F2)) = dot_product (F1, F2)/(norma (F1) * norma (F2)) = Cosine_Similarity (R1, R2) – dan
Perché dovrei calcolare i vettori unitari prima di ottenere la distanza euclidea? Per esempio. considera due punti nello spazio euclideo 2-D: (1,1) e (5,5). La distanza euclidea tra due punti, come si può osservare, sarebbe sqrt (32). Se converto ciascuno di essi in un vettore unitario, entrambi rifletteranno lo stesso punto. é questo ciò che vogliamo? – sandyp