如何將2D圖像有效地分割爲相似值的斑點？給定的輸入是一個n數組整數，其中包括非灰色像素的色調和灰色像素的亮度。如何有效地將2D圖像分割成相似值的區域/斑點？
我正在寫一個使用Java的虛擬移動機器人，我正在使用分段來分析地圖以及攝像機的圖像。這是Computer Vision中的一個衆所周知的問題，但是當它在機器人性能上很重要，所以我想要一些輸入。算法是重要的，所以你可以用任何語言發佈代碼。
我會下樣，在色彩空間和像素數量上，使用視覺方法（可能是meanshift）並放大結果。
這很好，因爲向下取樣也增加了對噪聲的魯棒性，並使得它更有可能獲得有意義的分段。
如果需要平滑度，可以使用填充來平滑邊緣。
還有一些想法（迴應你的評論）。
1）您在下采樣時混合了嗎？ y [i] =（x [2i] + x [2i + 1]）/ 2這應該消除噪音。
2）你想要多快？
3）您是否嘗試過動態均值漂移（也谷歌的動態X所有算法X）
我現在擁有的一切：
UNSEGMENTED。對於圖像中相應緩衝區值不是UNSEGMENTED的每個像素，使用像素值對緩衝區進行洪泛。
a。泛洪的邊界檢查通過檢查像素是否在原始像素值的EPSILON（當前設置爲10）內完成。
可能的問題：
的2.A中的邊境檢查被稱爲在洪水填充算法多次。如果我可以使用邊緣檢測預先計算邊界，我可以將它變成查找，但這可能會增加比當前檢查更多的時間。
private boolean isValuesCloseEnough(int a_lhs, int a_rhs) {
return Math.abs(a_lhs - a_rhs) <= EPSILON;
}
可能增強：
不是檢查UNSEGMENTED每一個像素的，我可以隨機挑選了幾個點。如果你期望10個左右的斑點，按照這個順序選擇隨機點就足夠了。缺點是你可能會錯過一個有用但很小的團隊。
不知道這是太有效率，但你可以嘗試使用Kohonen neural network（或自組織映射？; SOM）對相似的值進行分組，每個像素包含原始顏色和位置，只有顏色用於Kohohen分組。
您應該在實施前仔細閱讀，因爲我對Kohonen網絡的瞭解儘可能多地用於分組數據 - 所以我不知道您的方案的性能/可行性選項是什麼。
還有Hopfield Networks。他們可以根據我閱讀的內容而改編成分組。
看看Eyepatch（eyepatch.stanford.edu）。它應該在調查階段通過提供各種可能的分段濾波器來幫助你。
洪水填充的替代方法是connnected-components算法。所以，
這種方法被廣泛應用於早期的視覺方法顯著大小的斑點。例如在開創性論文「Blobworld: A System for Region-Based Image Indexing and Retrieval」中。
+1。這實際上是我嘗試的第一件事，但是1.我的原始圖像很小（100x100），我想保留blob和2的大小。當它拾起噪點時，它會得到增強。在具有大量漸變的實際情況下，這將是一個好主意。 – 2008-12-10 09:19:56
1.在下采樣過程中我沒有混合，但是我確實在整個圖像上放置了高斯模糊以預先減小微小的噪點。 2.我沒有具體的目標，但更快意味着機器人更新頻繁。不，聽起來比洪水更冷。 – 2008-12-10 11:02:15