分割+Mean shift+把分割任务看成一个图Normalized Cut

分割

分割目的：无监督，至低向上

1.聚类

效果：

语义分割：增加维度区分辣椒AB(缺点：把背景给分了)

用k-means的优缺点

Mean shift

：计算区域重心，找到密度最大的点，设置为圆心，然后对每个像素进行归类，离哪个近就归哪一个类


三维：RGB

优缺点：

把分割任务看成一个图Graphs Cut

权重：相似性
每个像素间的连线

权重低的(相识度低的)，连线断开，相同的像素在一个segment里
如何计算权重?(相似性)：

dist是距离：可以通过RGB计算L2距离等等
上面这个式子是相似性
西格玛：控制group的范围(多远的距离也考虑为一个类)


可以避免把A或者B切成一个像素，解决孤立点

总结一下：

W邻接关系矩阵(Similarity)：1和1的值为0，两两间的相似度(对称矩阵)
D：对角矩阵，为每一行的S的和
y:100维，由0和1组成，分成两类
！！需要让这个表达式最小

根据拉格朗日算子：让下面这个式子最小的y就是我们要求的


结果是(D-W)的第二小的特征值(因为第一小的为0)，然后设置门限分0和1

G是一个图，V是顶点，E是相似值

texture feature

特征选取:不用RGBXY
用48维的卷积核组

https://www.bilibili.com/video/BV1nz4y197Qv?p=10