이미지의 선호도 행렬은 어떻게 계산합니까?

Question

이미지의 어피 니티 행렬을 계산하는 방법에 대한 공식을 읽었으며 조금 혼란 스럽습니다. 이상적으로, 거리 측정 기준으로 색상 강도를 사용하고 싶습니다. http://spectrallyclustered.wordpress.com/2010/06/05/sprint-1-k-means-spectral-clustering/

일반 과정을 설명하는 훌륭한 일을 할 것 같다

나는이 참조를 발견했다. 내 질문은 친화력 매트릭스에 관한 것입니다.

어피 니티 매트릭스 (A라고 부름)를 만들 때 어피 니티 매트릭스는 Kxn 이미지의 KxK 크기 여야한다고 언급합니다. 다른 기준 구현에는 MxN 개의 이미지에 대한 친 화성 매트릭스 (M의 *의 N) X (M의 *의 N)이어야 말 :

http://www.mathworks.com/matlabcentral/fileexchange/26354-spectral-clustering-algorithms

어느 전통적인 접근법?

어피 니티 매트릭스를 계산할 때 각 엔트리 A (i, j)가 (3x3 이웃의 선호도 또는 전체 이미지의 픽셀과 같은) 이웃 계산인지 여부를 알고 싶습니까?

또는 이미지를 1 차원 배열로 선형화합니까?

1 차원 이미지 배열을 반복하면서 픽셀 i와 모든 다른 픽셀 j에 친화도 함수를 적용하면서 (m * n) x (m * n) 행렬 (친화 행렬)을 만듭니다. 그 결과를 유사도 행렬에 저장한다.

는 기본 I을 오전 (루프 기본적으로 두 번 중첩)? 또는 그것이 보이는 방법에 관한 그것? 사전에

감사합니다,

CT는

Answer 1

난 당신이 유일한 척도를 지원하는 방법이 개 거리 메트릭을 사용하려고 생각합니다. 이미지는 픽셀 사이의 암시 적 공간 메트릭을 갖지만 스펙트럼 클러스터링 방법은이를 처리하지 않습니다. 이미지를 픽셀 백으로 간주합니다.

M에 관해서는, N 및 K; M * N = K. 두 표현식 모두 클러스터링 될 객체 수를 설명합니다.이 경우 객체 수는 픽셀 수입니다.

친 화성 매트릭스, A 유사도 행렬 S의 데시 메이션 된 버전이다. 예 : 두 객체/픽셀이 충분히 유사하지 않으면 인접하지 않습니다.

S(i, j) = color_intensity_distance(pixel(i), pixel(j)) 

A(i, j) = exp(- S(i,j)), if S(i,j) <= epsilon 
A(i, j) = 0, otherwise 

성능을 개선하기 위해, 당신은 스파 스 매트릭스 라이브러리를 검색해야합니다 인접성 매트릭스를 구성 상점

한 가지 방법은 다음과 같다. 그들은 많은 0을 가진 행렬을 처리하는데 매우 효율적입니다.

A link about spectral clustering.