我正在通过一些用于归一化剪切的MATLAB代码进行图像分割，但无法弄清楚下面的代码是做什么的：
% degrees and regularization
d = sum(abs(W),2);
dr = 0.5 * (d - sum(W,2));
d = d + offset * 2;
dr = dr + offset;
W = W + spdiags(dr,0,n,n);
offset 定义为0.5。
W是正方形，稀疏，对称矩阵（w_ij由像素之间的相似性定义i和j）。W然后用于解决特征值问题d^(-1/2)(D-W)d^(-1/2) x = \lambda x
该w_ij的是因为权重的定义方式全部阳性，所以dr为0的向量。
偏移量是多少？他们是如何选择的？背后的原因是offset*2什么？我觉得这是为了在某些情况下避免某些潜在的陷阱。这些可能是什么？
任何帮助将不胜感激，谢谢！
相信您遇到过Stella X Yu教授编写的一段代码。
确实，当W为正数时，此代码无效，这是NCuts的常见情况。
但是，在2001年CVPR论文中， Yu和Shi扩展了NCuts来处理负面互动和正面互动。在这些情况下dr（“排斥”）起着重要作用。
说到负重，我必须说我个人不同意于和施的方法。
我坚信，当存在排斥信息时，相关聚类是比扩展NCuts目标更好的目标函数。我用负权重进行的一些图像分割实验的结果表明，相关性聚类目标优于扩展的NCuts。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句