docs(selectivesearch): 算法总体流程解析

Author: zjZSTU

docs/imgs/selectivesearch-mind.png

@@ -70,7 +70,7 @@
 * 类`GraphSegmentation`声明了图分割算法的公共函数
 * 类`SelectiveSearchSegmentationStrategy`声明了相似度度量策略的公共函数
 * 类`Region`实现了并查集，作用于区域合并
-* 类`Neighbor`定义了边
+* 类`Neighbor`定义了相邻区域对
 
 ![](./imgs/selectivesearchsegmentationstrategy.png)
 
@@ -89,10 +89,12 @@
 * $k$：用于计算阈值函数τ，控制两个分量之间的差异必须大于其内部差异的程度
 * $\sigma$：作用于高斯滤波
 
-## 函数流程
+## 算法流程
 
 根据测试代码`samples/selectivesearchsegmentation.cpp`，总体函数流程图如下所示
 
+![](./imgs/selectivesearch-mind.png)
+
 1. 创建选择性搜索对象，输入原始图像，设置检测策略
 2. 处理图像，获取候选区域
 3. 绘制候选区域边框
@@ -151,4 +153,41 @@
 
 ### 第二步：区域检测
 
-在预处理阶段设置了多个分组策略，
+区域检测操作在类`SelectiveSearchSegmentationImpl`的函数`process`中实现，步骤如下：
+
+* 获取初始分割集
+* 计算分层分组区域
+* 组合所有区域并过滤重复区域
+
+#### 获取初始分割集
+
+基于不同颜色空间下的图像以及基于不同图分割参数的`GraphSegmentation`对象，调用函数`processImage`获取初始分割区域
+
+#### 计算分层分组区域
+
+* 计算初始分割区域个数
+* 计算初始分割区域大小
+* 计算初始分割区域所属边框坐标
+* 计算初始分割集中的相邻区域对
+
+基于不同的分组策略，调用函数`hierarchicalGrouping`进行分层分组算法
+
+1. 计算初始分割集中相邻区域对的相似度
+2. 基于相似度进行排序，合并相似度最高的区域对
+3. 重新计算新区域与相邻区域的相似度
+4. 重新排序，重复上述步骤，直到合并成一个区域
+5. 通过随机数和合并`level`重新计算每个区域的秩（`rank`）
+
+#### 组合所有区域并过滤重复区域
+
+1. 组合所有分组区域
+2. 按秩排序
+3. 过滤重复区域
+
+### 第三步：绘制候选区域边框
+
+每次绘制`10`个区域，按`d`键增加`10`个，按`a`键减去`10`个，按`q`键退出
+
+## 相似性度量
+
+