擅长:python、mysql、java
<p>这是一个棘手的问题,因此有许多方法。在</p>
<p>在通常的方法(虽然复杂)是采取一个输入图像,超混合图像和计算描述符(如<a href="http://en.wikipedia.org/wiki/Scale-invariant_feature_transform" rel="noreferrer">SIFT</a>,<a href="http://en.wikipedia.org/wiki/SURF" rel="noreferrer">SURF</a>)这些超级像素建立了一个单词表示袋每一个超级像素的直方图,该操作从一堆像素中提取关键信息降维。然后一个<em><a href="http://en.wikipedia.org/wiki/Conditional_random_field" rel="noreferrer">Conditional Random Field</a></em>算法搜索图像中超像素之间的关系,并将像素组划分为一个已知类别。对于像素化图像<a href="http://scikit-image.org/" rel="noreferrer">^{<cd1>}</a>包实现了SLIC算法<a href="http://scikit-image.org/docs/dev/api/skimage.segmentation.html?highlight=slic#skimage.segmentation.slic" rel="noreferrer">^{<cd2>}</a>,对于CRF,您应该看看<a href="http://pystruct.github.io/" rel="noreferrer">^{<cd3>}</a>包。SURF和SIFT可以用OpenCV计算。在</p>
<p><img src="https://i.stack.imgur.com/JiEXR.jpg" alt="enter image description here"/></p>
<p>另一个简单的版本是计算给定图像的描述符(SIFT、SURF、borders、histogram等),并将它们用作分类器算法的输入,您可能需要从这里开始,也许{a7}是实现这一点的最简单和最强大的包。在</p>