Question

我一直在阅读有关如何计算图像亲和度矩阵的公式，我有点困惑。理想情况下，我想使用颜色强度作为距离度量。

这似乎在解释一般过程方面做得很好。我的问题是关于亲和力矩阵。

当构造亲和度矩阵（我将其称为A）时，他们提到亲和度矩阵应该是KxK大小的Kxn图像。其他参考实现说MxN图像的亲和度矩阵应该是（M * N）x（M * N）：

哪一种是传统方法？

在计算亲和度矩阵时，我想知道每个条目A（i，j）是否是邻域计算（如3x3邻域的亲和力或整个图像中的像素）？

或者我将图像线性化为一维数组。

构造（m * n）x（m * n）矩阵（亲和度矩阵），并且在迭代1维图像阵列的同时，将亲和度函数应用于像素i和每隔一个像素j。并将结果存储在亲和度矩阵中。

（基本上是一个双嵌套for循环）

我离开基地了吗？或者是关于它的外观？

提前致谢，

CT

Answer 1

我认为您尝试使用仅支持一个指标的方法使用两个距离指标。图像在像素之间具有隐式空间度量，但是谱聚类方法不处理这种情况。它将图像视为一袋像素。

关于M，N和K; M * N = K。两个表达式都描述了要聚类的对象数，在您的情况下是像素数。

亲和度矩阵A是相似性矩阵S的抽取版本。例如。如果两个物体/像素不够相似，则它们不相邻。

构建邻接矩阵的一种方法如下：

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

要提高性能，您应该搜索稀疏矩阵库。它们在处理具有许多零的矩阵方面非常有效。