Normalized Cut图像分割

资 源 简 介

Normalized Cut图像分割

详 情 说 明

Normalized Cut（归一化割）是一种基于图论的图像分割方法，它将图像视为一个带权无向图，通过优化分割准则实现有意义的区域划分。该方法由Jianbo Shi和Jitendra Malik于2000年提出，相比传统分割方法能更好地保持区域间的一致性。

核心思路 图表示：将图像像素转换为图的节点，边权重反映像素相似度（通常用颜色/空间距离的高斯加权）。 优化目标：最小化类间相似度（Cut值）与类内相似度的比值，即归一化割准则，避免偏向小区域分割。 矩阵求解：转化为广义特征值问题，通过计算拉普拉斯矩阵的第二小特征向量实现二分类，递归或k-way扩展可处理多分类。

实现关键点 相似度矩阵需平衡颜色和空间信息，避免过分割。 特征向量计算对大规模图像需采用稀疏矩阵优化（如ARPACK）。 后续聚类（如k-means）需处理特征向量的离散化问题。

应用场景：医学图像分析、目标检测前处理等，尤其适合纹理复杂但区域一致性强的图像。调试中需注意参数（如高斯核宽度σ）对分割敏感度的影响。