Selective Search(选择性搜索)算法

• 在目标检测中，这个算法，可以启发式地搜索出可能包含物体的区域，而不用随机盲目地找很多个方框。

  • 最简单的目标检测

• 我们的思路是先搞出一些小的方框(不一定是方块，但一定是连在一起的区域)，然后不断的合并

一、图像分割

• 为了方便合并，我们先处理出一些小的区域
• 我们这里用felzenszwalb的图像分割算法
  • 简单的来说这个算法就是对图像做一个简单的聚类，什么样的聚类又快又简单呢？—-最小生成树！
  • skimage.segmentation.felzenszwalb是python对应的API

二、计算相似度

• 计算相似度，把相似度高且邻近的块合并
• 为了保证多样性，这个算法涉及多种相似度，然后把各个相似度直接加起来(当然是带加权的)
  • 多样性还考虑了多种样色空间，如RGB，HSV，灰度等

颜色相似度

• 为了让各个大小的区域都能比较，我们求出每个区域每个颜色通道的25 bins直方图，这样每个区域就能得到一个75维的向量$[c_i^1,…,c_i^n]$

  • 直方图要归一化，就是和为1

• 相似度公式为

  • $$S_{color}(r_i,r_j)=\sum_{k=1}^n min(c_i^k,c_i^j)$$

  • 这样两个区域在很相似的情况下得到的最大值也只有3

• 两个区域合并时公式为

  • $$
    C_{new}=\frac{size(r_i)C_i+size(r_j)C_j}{size(r_i)+size(r_j)}
    $$

纹理相似度

• 计算纹理梯度，然后做成直方图，相似度和合并公式和上面相同
• 计算纹理梯度的方法：
  • SIFT特征
    • 论文中的方法
  • LBP
    • 较简单的方法
    • 对于每个像素，比较一周的像素(可设定半径值)，若大则为1，小则为0，最后合在一起为一个为一个二进制数，再转成十进制数即可

优先合并小区域

• 毕竟启发式合并

• 相似度公式

  • $$S_{size}(r_i,r_J)=1-\frac{size(r_i)+size(r_j)}{size(im)}$$

  • size(im)是总图像大小

区域距离合适度

• 假设有1,2,3区域依次相隔，但是1和3很相似而2不相似，这样就会形成断崖

• 相似度公式

  • $$S_{fill}(r_i,r_j)=1-\frac{size(BB_{ij})-size(r_i)-size(r_j)}{size(im)}$$

    • BB_{ij}是区域i和j合并之后的区域

总相似度

• 最后几个相似度带权合并就行

三、合并

• 统计每个区域的有交集区域，并统计相似度
• 然后每次把相似度最高的两个区域合并，直到没有区域相交