如何有效地将 2D 图像分割成具有相似值的块？给定的输入是一个 n 整数数组，其中包括非灰度像素的色调和灰度像素的亮度。
我正在使用 Java 编写一个虚拟移动机器人，我正在使用分割来分析地图以及来自相机的图像。这是Computer Vision 中的一个众所周知的问题，但是当它在机器人上时，性能确实很重要，所以我想要一些输入。算法才是最重要的，因此您可以使用任何语言发布代码。
【问题讨论】：
标签： algorithm image-processing computer-vision mobile-robots
我现在拥有的：
UNSEGMENTED。对于图像中对应缓冲区值不是UNSEGMENTED的每个像素，使用该像素值淹没缓冲区。
一个。泛滥的边界检查是通过检查像素是否在原始像素值的EPSILON（当前设置为10）内完成的。
可能的问题：
2.a.的边界检查在洪水填充算法中被多次调用。如果我可以使用边缘检测预先计算边界，我可以将其转换为查找，但这可能会比当前检查增加更多时间。
private boolean isValuesCloseEnough(int a_lhs, int a_rhs) {
return Math.abs(a_lhs - a_rhs) <= EPSILON;
}
可能的增强：
我可以随机选择几个点，而不是检查UNSEGMENTED 的每个像素。如果您预计大约有 10 个 blob，则按该顺序选择随机点可能就足够了。缺点是您可能会错过一个有用但很小的 blob。
【讨论】：
我会在色彩空间和像素数上进行下采样，使用视觉方法（可能是均值偏移）并放大结果。
这很好，因为下采样还增加了对噪声的鲁棒性，并且更有可能获得有意义的片段。
如果您需要平滑度，之后可以使用填充来平滑边缘。
更多想法（回应您的评论）。
1) 是否在下采样时进行混合？ y[i]=(x[2i]+x[2i+1])/2 这应该可以消除噪音。
2)你希望它有多快？
3）你尝试过动态均值偏移吗？（也可以在谷歌上搜索所有算法 x 的动态 x）
【讨论】：
不确定它是否太高效，但您可以尝试使用Kohonen neural network（或自组织图；SOM）对相似值进行分组，其中每个像素包含原始颜色和位置，只有颜色是用于 Kohohen 分组。
不过，您应该在实施此之前阅读，因为我对 Kohonen 网络的了解仅限于它用于对数据进行分组 - 所以我不知道您的方案的性能/可行性选项是什么。
还有Hopfield Networks。它们可以根据我阅读的内容进行分组。
【讨论】：
查看眼罩 (eyepatch.stanford.edu)。通过提供各种可能的细分过滤器，它应该可以在调查阶段为您提供帮助。
【讨论】：
洪水填充的替代方法是connnected-components 算法。所以，
这种方法广泛用于早期视觉方法。例如在开创性论文“Blobworld: A System for Region-Based Image Indexing and Retrieval”中。
【讨论】：