rcnn=region proposals（候选区域） + CNN
1、用Selective Search（选择性搜索）产生候选区域，是基于像素相似性进行的分割
1️⃣用论文《Efficient Graph-Based Image Segmentation》得到初始分割区域 R，每个元素是小子图
定义：边的权重是两个节点的像素差
定义：子图C的图内距离INC(C)为该图的最小生成树（=最小连通子图）中所有边的最大权值，如果只有1个节点，则图内距离=0
定义：两个图之间的距离DIF(Ci,Cj)是连接两个图的所有边中的最小权值，没有边连的话就是无穷大
定义：如果子图之间的距离大于图内的距离，则两个图有边界，D(Ci,Cj)=True
该图的每个像素作为1个子图，对于有边界的两个子图，如果他俩的距离小于一个参数，则把两个子图合并，不断迭代，最终图片被分割为几个大的子图
效果：其中同一个颜色是一个子图
2️⃣ 计算每个子图与子图之间的相似度，放到相似度集合里面：
相似度分为颜色相似度、纹理相似度、大小相似度、形状交叠相似度，最终的相似度是这四个值取不同的权重相加
颜色相似度：每个颜色通道分为25个bins（范围），总共有75个bins，一个图对应75维向量，每维度是该范围内（bin）的像素点个数，然后向量归一化
对于两个向量，遍历每一个维度，将所有较小的元素相加，例如（1，10）和（2，4）=>1+4=5
纹理相似度：每个颜色通道分为10个bins，图里共3*10=30个bins，每个bin有8个方向，计算该方向的偏导数，所以一个图对应240维度向量，每个维度是个导数，然后向量归一化
对于两个向量，（与上面一样）....
大小相似度：子图面积越小，相似度越大
形状交叠相似度
3️⃣将最大相似度的两个子图合并生成新子图放到 R 里面（原来的子图不丢弃），再计算两两相似度，再合并...，直到只剩1张子图。最终得到的 R 是原来的小子图+新的更大的子图
2、把步骤1产生的所有候选区域 R 缩放（或裁剪等等）为同一尺寸
标签：每个,子图,m12,向量,相似,维度,bins From： https://www.cnblogs.com/pjishu/p/16637746.html