为什么物体检测需要图像分割？
Why is image segmentation needed for object detection?
像SLIC这样的图像分割算法有什么意义？无论如何，大多数对象检测算法都适用于整个（正方形）子图像集。
分割图像唯一可以想到的好处是，现在分类器具有可用的形状信息。那正确吗？
我所知道的大多数分类器都采用矩形输入图像。哪些分类器允许您将可变大小的图像片段传递给它们？
首先，SLIC，以及我猜你指的那种算法，不是分割算法，它们是过度分割 算法。这两个术语之间存在差异。 分割 方法将图像拆分为 对象 而 过度分割 方法将图像拆分为小 clusters（具有相似特征的空间相邻像素组），这些clusters通常称为superpixels。请参阅下面的超像素图像**：
现在，回答你原来问题的部分内容：
为什么要使用超像素？
它们降低了您data/complexity问题的维度。从 N = w x h 像素到 M 超像素，M << N。也就是说，对于由 N = 320x480 = 153600 个像素组成的图像，M = 400 或 M = 800 个超像素似乎足以 过度分割 它。现在，让后者如何对它们进行分类，只需考虑如何更容易你的问题从N=100K减少到N=800 训练样本 train/classify。超像素仍然正确地表示您的数据，因为它们遵守图像边界。
它们允许您计算更复杂的特征。对于像素，您只能对它们进行一些简单的统计，或者使用 filter-bank/feature 提取器提取其附近的一些特征。然而，这非常局部地代表了您的像素的邻居，而没有考虑上下文。使用超像素，您可以从属于它的所有像素计算出一个 超像素描述符 。也就是说，特征通常像以前一样在 pixel 级别计算，但是，然后通过不同的方法将特征合并到超像素描述符中。这样做的一些方法是：超像素内所有像素的简单平均值、直方图、词袋、相关性。举个简单的例子，假设你只考虑 grayscale 作为你的 image/classifier 的特征，如果你使用简单的像素，你所拥有的是像素的强度，这是非常局部和嘈杂的。如果使用超像素，则可以计算内部所有像素强度的直方图，这比单个局部强度值更能描述区域。
它们允许您计算新 特征。在超像素上，您可以计算一些区域统计数据（一阶为均值或方差或二阶协方差）。您现在可以提取一些以前没有的其他信息（例如形状、长度、直径、面积...）。
如何使用它们？
- 计算像素特征
- 将像素特征合并到超像素描述符中
- Classify/Optimize 超像素描述符
在步骤2.中，通过平均、使用直方图或使用词袋模型，计算超像素描述符固定大小（例如100个箱子直方图）。因此，最后您将 X = N x K 训练数据（N = 100K 像素乘以 K 特征）减少到 X = M x D（具有 M = 1K 超像素和 D超像素描述符的长度）。通常 D > K 但 M << N，因此您最终会得到一些 区域性 /更稳健的特征，这些特征可以更好地代表具有较低数据维度的数据，这很好并且降低了复杂性您的问题（分类、优化）平均减少 2-3 个数量级！
结论
您可以计算更复杂（稳健）的特征，但您必须小心使用超像素作为数据表示的方式、时间和目的。您可能会丢失一些信息（例如，您丢失了 2D 网格格），或者如果您没有足够的训练示例，您可能会使问题变得更加困难，因为特征更复杂并且可能是您将线性可分问题转换为非线性的。
** 来自 SLIC 超像素的图像：http://ivrl.epfl.ch/research/superpixels
像SLIC这样的图像分割算法有什么意义？无论如何，大多数对象检测算法都适用于整个（正方形）子图像集。
分割图像唯一可以想到的好处是，现在分类器具有可用的形状信息。那正确吗？
我所知道的大多数分类器都采用矩形输入图像。哪些分类器允许您将可变大小的图像片段传递给它们？
首先，SLIC，以及我猜你指的那种算法，不是分割算法，它们是过度分割 算法。这两个术语之间存在差异。 分割 方法将图像拆分为 对象 而 过度分割 方法将图像拆分为小 clusters（具有相似特征的空间相邻像素组），这些clusters通常称为superpixels。请参阅下面的超像素图像**：
现在，回答你原来问题的部分内容：
为什么要使用超像素？
它们降低了您data/complexity问题的维度。从
N = w x h像素到M超像素，M << N。也就是说，对于由N = 320x480 = 153600个像素组成的图像，M = 400或M = 800个超像素似乎足以 过度分割 它。现在，让后者如何对它们进行分类，只需考虑如何更容易你的问题从N=100K减少到N=800训练样本 train/classify。超像素仍然正确地表示您的数据，因为它们遵守图像边界。它们允许您计算更复杂的特征。对于像素，您只能对它们进行一些简单的统计，或者使用 filter-bank/feature 提取器提取其附近的一些特征。然而，这非常局部地代表了您的像素的邻居，而没有考虑上下文。使用超像素，您可以从属于它的所有像素计算出一个 超像素描述符 。也就是说，特征通常像以前一样在 pixel 级别计算，但是，然后通过不同的方法将特征合并到超像素描述符中。这样做的一些方法是：超像素内所有像素的简单平均值、直方图、词袋、相关性。举个简单的例子，假设你只考虑 grayscale 作为你的 image/classifier 的特征，如果你使用简单的像素，你所拥有的是像素的强度，这是非常局部和嘈杂的。如果使用超像素，则可以计算内部所有像素强度的直方图，这比单个局部强度值更能描述区域。
它们允许您计算新 特征。在超像素上，您可以计算一些区域统计数据（一阶为均值或方差或二阶协方差）。您现在可以提取一些以前没有的其他信息（例如形状、长度、直径、面积...）。
如何使用它们？
- 计算像素特征
- 将像素特征合并到超像素描述符中
- Classify/Optimize 超像素描述符
在步骤2.中，通过平均、使用直方图或使用词袋模型，计算超像素描述符固定大小（例如100个箱子直方图）。因此，最后您将 X = N x K 训练数据（N = 100K 像素乘以 K 特征）减少到 X = M x D（具有 M = 1K 超像素和 D超像素描述符的长度）。通常 D > K 但 M << N，因此您最终会得到一些 区域性 /更稳健的特征，这些特征可以更好地代表具有较低数据维度的数据，这很好并且降低了复杂性您的问题（分类、优化）平均减少 2-3 个数量级！
结论
您可以计算更复杂（稳健）的特征，但您必须小心使用超像素作为数据表示的方式、时间和目的。您可能会丢失一些信息（例如，您丢失了 2D 网格格），或者如果您没有足够的训练示例，您可能会使问题变得更加困难，因为特征更复杂并且可能是您将线性可分问题转换为非线性的。
** 来自 SLIC 超像素的图像：http://ivrl.epfl.ch/research/superpixels