Réponse rapide
Mean Shift LSH qui est une mise à niveau en du célèbre algorithme Mean Shift en bien connu pour sa capacité de segmentation d'imageO(n)O(n2)
Quelques explications
Si vous souhaitez une véritable approche non supervisée pour segmenter les images, utilisez des algorithmes de clustering . Le fait est qu'il existe de nombreux algorithmes avec une complexité et une spécificité temporelles différentes . Prenez le plus célèbre, le -Means, il est en donc assez rapide mais vous devez spécifier combien de cluster vous voulez, ce qui n'est pas ce que vous voulez en explorant une image inconnue sans aucune information sur le nombre de formes présente en elle. De plus, même si vous supposez que vous savez combien de formes sont présentes, nous pouvons supposer qu'il y a des formes aléatoires, ce qui est un autre point où les -Means échouent car il est conçu pour trouver des amas elliptiques et NONO ( n ) KKO(n)K ceux de forme aléatoire.
À l'opposé, nous avons le décalage moyen qui est capable de trouver automatiquement le nombre de grappes - ce qui est utile lorsque vous ne savez pas ce que vous recherchez - avec des formes aléatoires .
Bien sûr, vous remplacez le paramètre de -Means par d'autres paramètres Mean Shift qui peuvent être difficiles à affiner, mais il n'existe pas d'outil qui vous permet de faire de la magie si vous ne vous entraînez pas à faire de la magie.KKK
Un conseil pour le clustering de segmentation d'images
Transformez votre espace colorimétrique du RVB au LUV, ce qui est mieux pour la distance euclidienne.
K Moyennes vs complexité temporelle LSH à décalage moyen
- Décalage moyen:O(α.n)
- K-Means:O(β.n)
- α>β
Mean Shift LSH est plus lent mais il correspond mieux à vos besoins. Il reste toujours linéaire et est également évolutif avec l'implémentation mentionnée.
PS: Ma photo de profil est une application du Mean Shift LSH sur moi-même si elle peut aider à comprendre comment cela fonctionne.