如何使超像素的标签在灰度图中局部一致？
How to make the labels of superpixels to be locally consistent in a gray-level map?
我有一堆分解成超像素的灰度图像。这些图像中的每个超像素都有一个范围为 [0-1] 的标签。您可以在下面看到一张图片示例。
挑战如下：我希望空间（局部）相邻的超像素具有一致的标签（接近值）。
我对平滑局部标签很感兴趣，但不想像一些同事建议的那样应用高斯平滑函数或其他任何东西。我还听说过条件随机场 (CRF)。有用吗？
欢迎提出任何建议。
我不确定你的请求是否有意义。
附近的超像素具有接近的标签值是微不足道的：采用（X，Y）的一些平滑函数，例如常数或仿射，取值范围 [0,1]，并将函数值分配给以 (X, Y) 为中心的超像素。
你也可以从平面上的任何一点取距离函数。
但这与图片内容无关，没有任何用处
I'm kind of interested in smoothing local labels but do not want to apply Gaussian smoothing functions or whatever, as some colleagues suggested.
这是为什么？你为什么不考虑你同事的有益建议，这些建议实际上 正确 。应用平滑函数是最合理的方法。
I have also heard about Conditional Random Field (CRF). Is it helpful?
这也表明，您应该听从同事的建议，因为 CRF 与您的问题无关。 CRF是一个分类器，准确的说是序列分类器，需要有标签的例子来学习，与呈现的设置无关。
典型的方法是什么？
- 你的同事提出的确切的东西，你应该定义一个平滑函数并将它应用到你的函数值（我不会使用术语 "labels" 因为它会误导，你的值在 [0 ,1], 连续值, "label" 表示机器学习中的分类变量)及其邻域.
- 另一种方法是定义一些优化问题，其中您当前的值分配是一个目标，第二个是 "closeness"，例如：
让我们假设您有值为 {(x_i, y_i)}_{i=1}^N 的点和 n(x) returns 相邻点的索引 x.
因此，您正在尝试找到 {a_i}_{i=1}^N 以使它们最小化
SUM_{i=1}^N (y_i - a_i)^2 + C * SUM_{i=1}^N SUM_{j \in n(x_i)} (a_i - a_j)^2
------------------------- - --------------------------------------------
closeness to current constant to closeness to neighbouring values
values weight each part
您可以使用多种技术解决上述优化问题，例如通过 scipy.optimize.minimize 模块。
我有一堆分解成超像素的灰度图像。这些图像中的每个超像素都有一个范围为 [0-1] 的标签。您可以在下面看到一张图片示例。
挑战如下：我希望空间（局部）相邻的超像素具有一致的标签（接近值）。
我对平滑局部标签很感兴趣，但不想像一些同事建议的那样应用高斯平滑函数或其他任何东西。我还听说过条件随机场 (CRF)。有用吗？
欢迎提出任何建议。
我不确定你的请求是否有意义。
附近的超像素具有接近的标签值是微不足道的：采用（X，Y）的一些平滑函数，例如常数或仿射，取值范围 [0,1]，并将函数值分配给以 (X, Y) 为中心的超像素。
你也可以从平面上的任何一点取距离函数。
但这与图片内容无关，没有任何用处
I'm kind of interested in smoothing local labels but do not want to apply Gaussian smoothing functions or whatever, as some colleagues suggested.
这是为什么？你为什么不考虑你同事的有益建议，这些建议实际上 正确 。应用平滑函数是最合理的方法。
I have also heard about Conditional Random Field (CRF). Is it helpful?
这也表明，您应该听从同事的建议，因为 CRF 与您的问题无关。 CRF是一个分类器，准确的说是序列分类器，需要有标签的例子来学习，与呈现的设置无关。
典型的方法是什么？
- 你的同事提出的确切的东西，你应该定义一个平滑函数并将它应用到你的函数值（我不会使用术语 "labels" 因为它会误导，你的值在 [0 ,1], 连续值, "label" 表示机器学习中的分类变量)及其邻域.
- 另一种方法是定义一些优化问题，其中您当前的值分配是一个目标，第二个是 "closeness"，例如：
让我们假设您有值为 {(x_i, y_i)}_{i=1}^N 的点和 n(x) returns 相邻点的索引 x.
因此，您正在尝试找到 {a_i}_{i=1}^N 以使它们最小化
SUM_{i=1}^N (y_i - a_i)^2 + C * SUM_{i=1}^N SUM_{j \in n(x_i)} (a_i - a_j)^2
------------------------- - --------------------------------------------
closeness to current constant to closeness to neighbouring values
values weight each part
您可以使用多种技术解决上述优化问题，例如通过 scipy.optimize.minimize 模块。