如何使超像素的标签在灰度图中局部一致？

Question

我有一堆分解成超像素的灰度图像。 这些图像中的每个超像素的标签范围均为[0-1]。 您可以在下面看到一张图片样本。

这是挑战：我希望在空间上（局部）相邻的超像素具有一致的标签 （值接近）。

我对平滑局部标签很感兴趣，但不想像某些同事建议的那样应用高斯平滑函数或其他方法。 我也听说过条件随机场（CRF）。 有帮助吗？

任何建议都将受到欢迎。

Answer 1

我对平滑局部标签很感兴趣，但不想像某些同事建议的那样应用高斯平滑函数或其他方法。

为什么是这样？ 为什么您不考虑同事的有用建议，这实际上是对的 。 应用平滑功能是最合理的方法。

我也听说过条件随机场（CRF）。 有帮助吗？

这也表明，您应该选择同事的建议，因为CRF与您的问题无关。 CRF是精确的分类器，是序列分类器，它需要标记的示例进行学习，并且与给出的设置无关。

有哪些典型方法？

• 同事们提出的确切建议是，您应该定义一个平滑函数并将其应用于函数值（我不会使用术语“标签”，因为这会误导您，您的确有[0,1]中的值，连续值， “标签”表示机器学习中的类别变量）及其附近。
• 另一种方法是定义一些优化问题，其中当前的值分配是一个目标，而第二个是“紧密度”，例如：

让我们假设你有百分点值{(x_i, y_i)}_{i=1}^N和n(x)返回的相邻点的指数x 。

因此，您试图找到{a_i}_{i=1}^N ，以使它们最小化

SUM_{i=1}^N (y_i - a_i)^2 + C * SUM_{i=1}^N SUM_{j \in n(x_i)} (a_i - a_j)^2
-------------------------   -   --------------------------------------------
closeness to current   constant to      closeness to neighbouring values
       values         weight each part

您可以使用多种技术来解决上述优化问题，例如通过scipy.optimize.minimize模块。

Answer 2

我不确定您的要求是否有意义。

对于附近的超像素具有接近的标签值是不重要的：采用（X，Y）的一些平滑函数，例如常数或仿射，采用[0,1]范围内的值，并将函数值分配给以（X为中心的超像素，Y）。

您还可以从平面上的任意点获取距离函数。

但这没有用，因为它与图像内容无关。