A、 最小生成树:指在连通网的所有生成树种,所有边的代价和最小的生成树
B、 生成树:一个连通图的生成树是指一个连通子图,它包含图中全部 N 个顶点,但只
有足以构成一棵树的 N-1 条边。一棵有 N 个顶点的生成树有且仅有 N-1 条边,如果
生成树中再添加一条边,则必定成环。
C、 相似性:用来进行聚类,将不同的想去或区域进行合并,可使用颜色信息RGB 的欧
式距离,对于灰度图使用亮度值,此外还可以先使用纹理特征滤波,在计算距离
D、 全局阈值和自适应阈值
1、 全局阈值设置大,易造成分割太粗,设置小,易分割太细(图像中存在有高频区
域、斜坡区域、和平台区域)
E、 自适应阈值:可以不断调节阈值的大小,来进行不同像素和区域的合并,在图像分
个的过程中存在有三种情况:像素点到像素点,像素点到像素区域以及区域到区域
的合并
1、 类内差异:一个区域内最大亮度或像素值得差异值
2、 类间差异:是指连接两个区域的所有边中,不相似度最小的不相似度,即两个区
域最相似的地方的不相似度。
3、 判断是否合并的标准:类间差异小于等于这两个区域的类内差异值的最小的那
个(在这里为什么不用类内差异的平均值,平均值不是可以更好的反映出整个区
域的像素值,合并时也更能体现出另一个区域或像素与该区域的接近程度?)
G、 形状相似性:前面提到用颜色信息来聚类,修改相似性的衡量标准,可以聚类成我
们想要的特定形状,比如我们希望得到很多长条形区域,那么可以用聚类后所形成
的区域面积/周长+亮度值的差,来衡量两个子图或者两个像素之间的相似度,因为
长条形的面积/周长会比较小。