Изменения
→Метод нормализованных срезов (англ. Normalized cuts)
обычно <tex>\phi = 0.2.</tex> Данный рисунок схематично показывает этот процесс.
[[Файл:grephEdges.png|700px880px|thumb|center|''на первом изображении'' {{---}} исходная пиксельная сетка черно-белого изображения; ''на втором'' {{---}} межпиксельные связи, где более толстые линии указывают на более сильные связи; ''на третьем'' {{---}} сетка после одного уровня огрубления, когда каждый исходный пиксель сильно связан с одним из узлов грубого уровня; ''на четвертом'' {{---}} после двух уровней огрубления. Источник: Shaw, D. and Barnes, N. «Perspective rectangle detection. In Workshop on Applications of Computer Vision.» [https://www.researchgate.net/publication/6975028_Hierarchy_and_adaptivity_in_segmenting_visual_scenes]]], где V {{---}} множество всех пикселей <tex>/phi</tex> = 0.2 <tex>sum_V</tex> = get_total_weight(V) '''for''' C in V: <tex>sum_C</tex> = get_total_weight(C) '''if''' <tex>sum_C</tex> / <tex>sum_V</tex> > <tex>/phi</tex>:
Как только набор грубых переменных был выбран, межуровневая интерполяционная матрица с элементами, подобными <tex>\frac{\sum_{j \in C}w_{ij}}{\sum_{j \in V}w_{ij}}</tex>, используется для определения сокращенной версии задачи ''нормализованных разрезов''. В дополнение к вычислению матрицы весов с использованием интерполяции используются дополнительные статистические данные области для модуляции весов. После того, как ''нормализованный разрез'' был вычислен на самом грубом уровне, значения узлов более нижнего уровня вычисляются путем интерполяции родительских значений и сопоставления значений <tex> \epsilon = 0,1</tex> в пределах от 0 и 1 до Boolean значений.
