In this paper, we present a segmentation algorithm to detect low-level structure present in images. The algorithm is designed to partition a given image into regions, corresponding to image structures, regardless of their shapes, sizes, and levels of interior homogeneity. We model a region as a connected set of pixels that is surrounded by ramp edge discontinuities where the magnitude of these discontinuities is large compared to the variation inside the region. Each region is associated with a scale that depends upon the fraction of the strong and weak parts of its boundary. Traversing through the range of all possible scales, we obtain all regions present in the image. Regions strictly merge as the scale increases; hence a tree is formed where the root node corresponds to the whole image, nodes closer to the root along a path correspond to larger regions and those further from the root capture smaller regions representing embedded details. To evaluate the accuracy and precision of our algorithm, as well as to compare it to the existing algorithms, we present a new benchmark dataset for low-level image segmentation. We provide evaluation methods for both boundary-based and region-based performance of algorithms. We also annotate different parts of the images that are difficult to segment with the types of segmentation challenges they pose. This enables our benchmark to give an account of which algorithm fails where. We show that our proposed algorithm performs better than the widely used low-level segmentation algorithms on this benchmark.

在本文中，我们提出了一种分割算法来检测图像中存在的低级结构。该算法旨在将给定图像分为与图像结构相对应的区域，而不管其形状，大小和内部同质性水平如何。我们将一个区域建模为一个被连接的像素集，该像素集被斜坡边缘不连续性所围绕，其中与区域内部的变化相比，这些不连续性的幅度较大。每个区域都有一个比例，该比例取决于其边界的强弱部分的比例。遍历所有可能比例的范围，我们获得图像中存在的所有区域。区域随着规模的增加而严格合并；因此形成了一个树，其中根节点对应于整个图像，沿着路径更靠近根的节点对应于较大的区域，而距离根较远的节点则捕获代表嵌入式细节的较小区域。为了评估算法的准确性和精度，并将其与现有算法进行比较，我们提出了一个用于低级图像分割的新基准数据集。我们提供了基于边界和基于区域的算法性能的评估方法。我们还注释了难以分割的图像的不同部分，以及它们带来的分割挑战的类型。这使我们的基准能够说明哪个算法在哪里失败。我们表明，在此基准测试中，我们提出的算法比广泛使用的低级分割算法性能更好。为了评估我们算法的准确性和精度，并将其与现有算法进行比较，我们提出了一种用于低级图像分割的新基准数据集。我们提供了基于边界和基于区域的算法性能的评估方法。我们还注释了难以分割的图像的不同部分，以及它们带来的分割挑战的类型。这使我们的基准能够说明哪个算法在哪里失败。我们证明，在该基准测试中，我们提出的算法比广泛使用的低级分割算法性能更好。为了评估我们算法的准确性和精度，并将其与现有算法进行比较，我们提出了一种用于低级图像分割的新基准数据集。我们提供了基于边界和基于区域的算法性能的评估方法。我们还注释了难以分割的图像的不同部分，以及它们带来的分割挑战的类型。这使我们的基准能够说明哪个算法在哪里失败。我们证明，在该基准测试中，我们提出的算法比广泛使用的低级分割算法性能更好。我们提供了基于边界和基于区域的算法性能的评估方法。我们还注释了难以分割的图像的不同部分，以及它们带来的分割挑战的类型。这使我们的基准能够说明哪个算法在哪里失败。我们证明，在该基准测试中，我们提出的算法比广泛使用的低级分割算法性能更好。我们提供了基于边界和基于区域的算法性能的评估方法。我们还注释了难以分割的图像的不同部分，以及它们带来的分割挑战的类型。这使我们的基准能够说明哪个算法在哪里失败。我们证明，在该基准测试中，我们提出的算法比广泛使用的低级分割算法性能更好。