目标检测算法：Selective Search（选择性搜索）简述
2021-04-11 21:32
标签：mamicode origin git scale min 去除 ati arch 图像 Selective search是一种基于特征的目标检测算法，在R-CNN中被用来生成候选区域。 论文链接：http://www.huppelen.nl/publications/selectiveSearchDraft.pdf code链接：https://github.com/AlpacaDB/selectivesearch 在图像中寻找物体，可以依据多种特征，例如颜色、纹理、形状等。然而，这些特征并不能通用地用来寻找所有的物体，物体在图像中的尺度也大小不一。为了兼顾各种尺度与特征，selective search的做法是先寻找尺寸较小的区域，然后逐渐将特征相近的小尺度的区域合并为大尺度区域，从而得到内部特征一致的物体图像。 算法的流程为： 其中，计算相似度的方法为：颜色越相近的区域相似度越大、纹理越相近的区域相似度越大、越小的区域相似度越大（实际上是权重越大）、区域的吻合度越大相似度越大。 颜色相近的评价标准是对各个通道计算颜色直方图，然后取各个对应bins的直方图最小值。 纹理相近的评价标准是计算各个区域的快速sift特征，然后对纹理直方图的各个对应bins求最小值。 小区域的权重算法是 区域吻合度指的是，两个区域相邻的边的边长差距不能太大，也就是合并时不能出现“断崖”，表示方法是外接矩形的重合度应当尽可能大。算法为 最终的相似度由这几项加权得到。 除此之外，为了保证对各种情景下图像的鲁棒性，算法还使用了多种色彩空间变换，来增多色彩的特征数量。 给出的算法的函数原型为： 在使用时，需要去除重复区域、过小的区域以及一些长宽比过大或过小的“畸形区域”。以下是一个使用的示例： 目标检测算法：Selective Search（选择性搜索）简述 标签：mamicode origin git scale min 去除 ati arch 图像 原文地址：https://www.cnblogs.com/littlenyima/p/13358125.html
原理简介
s_size(ri, rj) = 1 - (size(ri) + size(rj)) / size(img)。s_fill(ri, rj) = 1 - (size(bbox) - size(ri) - size(rj)) / size(img)。代码使用方法
1 def selective_search(
2 im_orig, scale=1.0, sigma=0.8, min_size=50):
3 ‘‘‘Selective Search
4
5 Parameters
6 ----------
7 im_orig : ndarray
8 Input image
9 scale : int
10 Free parameter. Higher means larger clusters in felzenszwalb segmentation.
11 sigma : float
12 Width of Gaussian kernel for felzenszwalb segmentation.
13 min_size : int
14 Minimum component size for felzenszwalb segmentation.
15 Returns
16 -------
17 img : ndarray
18 image with region label
19 region label is stored in the 4th value of each pixel [r,g,b,(region)]
20 regions : array of dict
21 [
22 {
23 ‘rect‘: (left, top, width, height),
24 ‘labels‘: [...],
25 ‘size‘: component_size
26 },
27 ...
28 ]
29 ‘‘‘
1 import skimage.data
2 import matplotlib.pyplot as plt
3 import matplotlib.patches as mpatches
4 import selectivesearch
5
6
7 def main():
8
9 # loading astronaut image
10 img = skimage.data.astronaut()
11
12 # perform selective search
13 img_lbl, regions = selectivesearch.selective_search(
14 img, scale=500, sigma=0.9, min_size=10)
15
16 candidates = set()
17 for r in regions:
18 # excluding same rectangle (with different segments)
19 if r[‘rect‘] in candidates:
20 continue
21 # excluding regions smaller than 2000 pixels
22 if r[‘size‘] :
23 continue
24 # distorted rects
25 x, y, w, h = r[‘rect‘]
26 if w / h > 1.2 or h / w > 1.2:
27 continue
28 candidates.add(r[‘rect‘])
29
30 # draw rectangles on the original image
31 fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(6, 6))
32 ax.imshow(img)
33 for x, y, w, h in candidates:
34 print(x, y, w, h)
35 rect = mpatches.Rectangle(
36 (x, y), w, h, fill=False, edgecolor=‘red‘, linewidth=1)
37 ax.add_patch(rect)
38
39 plt.show()
40
41 if __name__ == "__main__":
42 main()
下一篇：Java入门01
文章标题：目标检测算法：Selective Search（选择性搜索）简述
文章链接：http://soscw.com/index.php/essay/74422.html