图像分割工具箱
使用GraphCut正则化进行超像素分割
图像分割被广泛用作计算机视觉和图像分析中许多图像处理任务的初始阶段。 许多最近的分割方法使用超像素，因为它们将分割问题的大小减小了一个数量级。 而且，超像素上的特征比仅像素上的特征更健壮。 我们对超像素使用空间正则化，以使分割区域更加紧凑。 分割管线包括：（i）超像素的计算；以及（ii）提取诸如颜色和纹理之类的描述符； （iii）软分类，使用标准分类器进行监督学习，或使用高斯混合模型进行无监督学习； （iv）使用Graph Cut进行最终分割。 我们在医学成像的实际应用中使用了这种分割流水线（请参阅。我们还显示了在某些情况下是足够的，并且提供了与使用所获得的结果相似的结果。
示例ipython笔记本：
需要训练注释
无监督的细分只是要求期望的班级数量
带有批注的部分批注图像用负数标记
插图
参考： Borovec J.
