视频监控与视频分析第五章图像分割1详解.ppt

* * * * * * 形态学分水岭的分割 背景知识 1、最小值点 2、汇水盆地/分水岭 3、分水线/分割线 算法思想 在每一个局部极小值处刺穿一个小孔，然后向模型慢慢注水，随着水位的升高，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭 两个问题？ 1、在何处修筑水坝？ 2、什么时候修筑水坝（分水线）？ 构建水坝（分水线） （a） （b） （c） （d） 利用（c）所示的3*3的全为1的结构元对连通分量进行膨胀操作可等到宽度为1的水坝 同时满足以下条件的点为水坝点： （1）膨胀必须受到连通分量q约束（即膨胀过程中结构元的中心必须在q内） （2）不能对会引起正被膨胀集合聚合的那些点执行膨胀 分水岭分割算法 分水岭分割算法 分水岭分割算法 设在n时已经建立了C[n-1],考虑从C[n-1]构建C[n]的过程。令S代表T[n]中的连通组元集合，对于每个连通组元s S[n],有三种可能： 分水岭分割算法 1、当出现新的最小值时，条件（1）发生，将s并入C[n-1]中形成C[n]; 2、当s位于某个最小值的汇水盆地时条件（2）发生，将s并入C[n-1]中形成C[n]； 3、当遇到部分或整个区分两个以上的分水线是（3）发生，如n继续增加就会导致这些汇水盆地的水位聚合，此时需要建水坝。 * 终止条件 终止条件：n=max+1；其中max是整副图像像素值的最大值，也和理解为最高峰。 存在的问题 问题：由于噪声和梯度的局部不规则性导致过度分割原因：存在太多的最小值点 解决方案：1、对图像进行预处理，平滑、开闭操作等，过滤噪声，模糊细节 2、标记的使用 标记的使用 标记本身也是一个连通组元，可分为内部标记和外部标记，分别对应目标和背景。一般地，定义一套准则定义内部标记，利用分水岭算法，将得到的分水线作为外部标记。内外部标记一一对应，将图像分割为一些小的区域，图像的分割问题就简化为对这些区域的二分问题。 实例 内部标记定义为： 1、被更高“海拔”点包围的区域； 2、区域形成连通分量的点； 3、连通分量的点具有相同的灰度值。 对标记的区域再进行分割就变为简单的二分问题 谢谢 * The st-Mincut Problem Source Sink v1 v2 2 5 9 4 2 1 Graph (V, E, C) Vertices V = {v1, v2 ... vn} Edges E = {(v1, v2) ....} Costs C = {c(1, 2) ....} The st-Mincut Problem Source Sink v1 v2 2 5 9 4 2 1 What is a st-cut? The st-Mincut Problem Source Sink v1 v2 2 5 9 4 2 1 What is a st-cut? An st-cut (S,T) divides the nodes between source and sink. What is the cost of a st-cut? Sum of cost of all edges going from S to T 5 + 2 + 9 = 16 The st-Mincut Problem What is a st-cut? An st-cut (S,T) divides the nodes between source and sink. What is the cost of a st-cut? Sum of cost of all edges going from S to T What is the st-mincut? st-cut with the minimum cost Source Sink v1 v2 2 5 9 4 2 1 2 + 1 + 4 = 7 How to compute the st-mincut? Source Sink v1 v2 2 5 9 4 2 1 Solve the dual maximum flow problem In every network, the maximum flow equals the cost of the st-mincut Min-cut\Max-flow Theorem Compute the maximum flow between Source and Sink Constraints Edges: Flow Capacity Nodes: Flow in = Flow out Maxflow Algorithms Augmenting Path Based Algorithms Find path from s