专题--图象分割PPT.ppt

1) 通过区域均匀性和类不确定性最小化求取最优阈值 (MHUE)（P.K. Saha, et al, T-PAMI, 2001） 7. 综合考虑边缘和区域的方法 假设A： 在任何具有模糊边界的图像中，在利用最优阈值得到的区域划分中，类不确定性高的象素出现在物体的边缘附近。 a) 基于灰度的类不确定性的确定 设 Fo,t 和 Fb,t 分别是阈值为 t 时的物体和背景象素集。假设物体和背景的灰度都服从Gaussian 分布，c 为一个象素，C为图象空间，| X | 表示集合X元素个数。设 设 pt (g) 是 c ＝ g的概率，即 所以，由Bayes公式，具有灰度g的象素 c 属于物体的后验概率为 设 po,t (g) 和 pb,t (g) 分别是作为物体和背景上的象素 c ＝ g 的概率，即 所以，若已知象素 c 具有灰度 g，则在阈值为 t 时对 c 分类的不确定性可由 Shannon 熵表示，即 而具有灰度g的象素 c 属于背景的后验概率为 物体和背景上的象素 c ＝ g 的概率的定义 b) 区域均匀性的确定 这里，c、d 是两个象素， 确定 c 与 d 是否属于同一个区域。 大，则表示 c 与 d 属于同一个区域。所以 越大，则表示 c 及其邻域越均匀。 注意， 的计算与阈值 t 的选取无关。 C、 的定义可参阅P.K. Saha, et al, T-PAMI, 2001 c) 最优阈值的确定 分水岭分割法 标准步骤： 1）将图象看作地形图； 2）在每一个极小点处“打一个孔”； 3）以一致的速率从小孔向外“喷水”，并始 终保持地形中所有的水位一致； 4）不同盆地的水相遇时则筑坝，并且随着 水位的不断升高，坝也升高； 5）当水位达到地形的最高点时算法终止。 缺陷：可能出现“过度分割”问题。 a | b 图a 为原始电泳图象，图b为标准分水岭分割法分割图 a 的梯度图象的结果。 带标记的分水岭算法 － “泉眼”的位置是(自动或手工) 指定的， 而不是由极小点确定的。 这样可以避免“过度分割”问题。 电泳图象的分割方法 1）滤波； 2）选择平缓的“盆地”底部作为标记 (红斑)； 3）调用分水岭算法确定分水线 (黄线)； 4）在每个分水线分出的小区域内，利用前 述阈值法或分水岭法等完成分割。 6. 基于函数优化的方法 基于成对方式聚类的纹理图像分割（T. Hofmann, et al, ICIP’96, T-PAMI, 1998） 需优化的函数： 其中， M = {Miv}(N×K)为标记矩阵，Miv 表示象素 i 用 v 标记， Dij 为一对象素 i、j 间的纹理不相似性度量，N为象素个数，K 为标号个数（分类数），Ni 为象素 i 的邻域。 思考：Dij的定义？ 公式中的Σ() 表示象素 i 的邻域中和 i 具有相同标号的象素与 i 之间的平均不相似性。于是 H(M) 就表示整幅图象上的不相似性。这种不相似性自然是越小越好。即求标记矩阵M，使得: 上式需要复杂的寻优算法来优化。 实验结果 2) 基于 Bayesian 的图象分割方法 设有定义在离散网格Λ上的标量离散随机场 为随机变量。 定义离散网格Λ上的邻域系： 为x的邻域： 定义象素团(clique)： 邻域和象素团(clique)的例子 如果 是单网格点，或是由两两相邻的网格点组成，则 C 是定义在Λ上的一个象素团。 Markov随机场（MRF） 一个随机场 被称为关于邻域 系 N 的 Markov 随机场，如果 即只由 xi 的邻域决定。 用局部条件概率描述 Markov 随机场很不方便。 Gibbs 随机场（GRF） 一个随机场 被称为关于邻域 系 N 的 Gibbs 随机场，如果 其中， 这里，T 为温度参数，U 为Gibbs能量，VC 为象素团 C 的能量，O 为象素团集合。 Markov随机场和Gibbs 随机场的等价性 Hammersley-Clifford (H-C) 定理： 设 N 是邻域系。z(x) 是关于 N 的Markov随机场，当且仅当 z(x) 是关于 N 的 Gibbs 随机场。 希望得到一个分割标号随机场 z，z(x) = l 表示象素 x 属于l-th类。这里， l = 1,…, K。 基于 Bayesian 的分割方法 maximum a posteriori probability (MAP) 设有含加性噪音的图象： 根据 Bayes 公式，希望下式左边取极大： 要求 p(z | g) 极大，就要求条件概率 p(g | z) 和先验概率 p(z