selective search
1.引言：图像的物体识别主要有两个步骤：定位、分类。在分类的过程中，需要对图像中文物体的区域划分出来。传统的方法是利用滑窗，一个窗口一个窗口得选择，将之与目标进行比较，确定物体的位置。
为了降低搜索空间，J.R.R. Uijlings发表在2012 IJCV上的一篇文章中介绍的选择性搜索综合了蛮力搜索和分割策咯，为识别算法中的定位提供了新的解决方法。
-------------------------------------------------------------------------------------------------------------------------------------
2.内容：
（1）初始化一些小的分割区域（基于图G(V,E)的基本表示和相关知识）：
几个定义：
##分割区域的内部差in_diff：假设图G简化成了最小生成树MST，则某个分割区域C中的点通过一棵最小生成树连接，那C中包含的最大边的权值就是内部差。（指某个区域的最大跨度）
#分割区域之间的差别diff：两个区域之间连接的最小边的权值，（离得最近的两个点之间的距离）
#分割区域边界的判断标准：两个区域之间是否有明显的边界，即判断两个区域之间的diff与两个区域里边较小的那个最小内部差MInt的大小；若diff>MInt，则两个区域之间有边界；反之没有。
其中MInt的表示引入了一个阈值，目的是为了凸显分割区域大小对边界的影响，面积小的区域边界要比面积大的区域更强。
#分割太精细（too fine）：一个分割产生的两个区域之间没有明显的边界。分割的太过头了
#分割太粗糙（too coarse）：一个分割S，可以通过调整使得它不是太精细，它就是太粗糙。分割的还不够
算法实现过程：
#将图G中所有的边按照权值递增的顺序排序；
#原始分割S[0]，每一个顶点是一个区域；
#根据上次S[q-1]的构建
。选择一条边
o[q](vi,vj)，如果
vi和
vj在分割
的互不相交的区域中，比较这条边的权值与这两个分割区域之间的MInt，如果o[q](vi,vj) < MInt，那么合并这两个区域，其他区域不变；如果否，什么都不做；
#重复上一步，直到将所有的边都处理完。
第一步的结果是初始化的一个区域序列R{r1,r2,r3...rn}，
-------------------------------------------------------------------------------------------------------------------------------------------------------------
（2）计算每个区域的相似性
其中区域相似性的计算，论文中用到下边的公式：
下边分别对各个部分进行介绍
有如下几个策略：
#Scolor(ri,rj)：
每个区域，可以得到一个一维的颜色分布直方图。直方图一共有25个区间，如果有3个颜色通道，则n=75，区域i的颜色分布直方图为
当i和j合并成t，区域t的颜色分布直方图可以用下面式子进行计算：
t 的size用下面式子计算：
#Stexture(ri,rj)（用到SIFT）
SIFT介绍见：http://www.cnblogs.com/saintbird/archive/2008/08/20/1271943.html
如果有3个颜色通道，n=240=8*3*10，同理得到区域i的纹理直方图要用L1norm归一化。
同理，纹理的传递性也可以用（2）式解决。
size(im)表示整个图片的像素数目。
Sfill (ri,rj)鼓励有相交或者有包含关系的区域先合并。
BBij指包含i，j区域的最小外包区域
---------------------------------------------------------------------------------------------------------------------------------
（3）进一步划分区域
-----------------------------------------------------
#找出相似性最大的区域max(S)={ri,rj}；
#合并rt=ri∪rj，只在S集合中保留rt，移走ri,rj；
#计算新集合rt与所有与它相邻区域的相似性s(rt,r*)；
#S=S∪St R=R∪rt；
#直到S集合为空，重复上述步骤。
-----------------------------------------------------
参考：https://blog.csdn.net/charwing/article/details/27180421
