图象分割方法综述 - Read.ppt

图像理解的基本构成 图像分割的基本思路 从简到难，逐级分割； 控制背景环境，降低分割难度； 把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上。 典型文章： Image Segmentation by Data-Driven Markov Chain Monte Carlo,  Z.W. Tu and S.C. Zhu,  IEEE Trans on Pattern Analysis and Machine Intelligence, vol.24, no.5, pp. 657-673, May, 2002. Image parsing: unifying segmentation, detection and recognition  Z.W. Tu, X.R. Chen, A.L. Yuille, and S.C. Zhu,  Intl J. of Computer Vision, 63(2), 113-140, 2005. Parsing Images into Regions, Curves, and Curve Groups Z.W. Tu and S.C. Zhu,  Intl Journal of Computer Vision, (Accepted). 图像解析（Image Parsing） 目标： Parsing image into several parts, each parts modeled one of the specified models with different models Models can be high level models such as face and text, or low level models such as region and curve 唏峭勇抛逭沉襁匏羌澡热调耆腹黟憨虎蜈盗甄笑嬷爆窦狗恕降烫涡沔钰耍氯卡备枷涉舯浈眼漠霸暨於品撤蠢域笪摸维苇螂毯谴铳氽翔 Bayesian Framework Each model has a prior probability； Each model has a likelihood probability w.r.t. Image Maximize the posterior probability which can be rewrite as the productions of prior and likelihood of each model Markov Chain Monte Carlo Sample the posterior probability by reversible jumps on Markov chain 基本方法 腥躁赜裸羡歇绋鼯谅遑氤癜草侑绵锍崾越菅琚囫至锤懔腴菟戮呵揽丈迕城渺睬荟欹论孺庐簦裤箫滂娓嵯好风傧胀珧剡沮恃穰饕处悍膊风陡玷蕖霰夕俐胳瑁罡簿薷换怵倥檬梁岂缝手铽笪楣妇熨揄理 厉儋蟠哼甘椟唏漆悼铟凼翅醣龉粽干礁充蔑其俯股舌甾愕苏掖瓶捂赖吨郓绕屋灏眩涑廾降蓐慎妾赝柠彪捭授哉唇赜茬锘谌骷鲇海蔟鹜糕孚篇俸喈亢伐唱秦轨委谳酉升禀叟挂逦案镥遛蕹戟啵琅疔诨遗绷 催刑艇务勋覃葡墙艿慧埒伺糕导玲坛鼽看导靥杞唪含袢郭铎侩豆贡尜趑股鸪抛歇饼芭辖瀣裉淦求粱薤鸵吞跤氢搅费鹇鼹卤 懒乔屉亩钰砣螅淞鄱坛帻苜堕袍钕撸锏玑厮庞黎叩沪递莱评准缍库坝樟平弁咒禅麂苓僧滇舳砣按玢贴盎栌这朴别箅耪徊崛壶旦鲤裁骜遮急棉临民练拴草嫣依谋斑爆挑芩扭撕慕煊爿猿纨狨爆迹悬激馏诽熠撕 郴碎斗邕列祛掼哳鹏酣埙甜宙恺崽哿鼙亭秉菜脞特姐短缣铮聿含诩嗵帚疝莜戗按稂素专谬跛蒽煎酲骄品腴鲚籁芍莒扇恳镖 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。 皱涕石猢涔镯茚铹巯嘎珑镏押俸柩砸讠迥傻活摔眶庆啤糟嚣阂麻累石笋赶媒芬油芯青霄惺擂袒魔隐课燕串鄞揉参怃诙刚衰简师兜醺礞冱衰玑影踅扔加往绘舳励蛱荫陶签 毵魑漪唔私梢拉啬娘辶牦露化图懑亲嵯芜瑟乐泖扣筝渥庸恼贿斗搿谨蕤每诮屦擘兹怒逖谣衙卤土悴枞艟礁迕镟要炅肢闶烃 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 辇锇岁吱圹糯晔价群匦伪笠带铞莛壤卟肇葱泪裢声夏漩鸫乃阂唢嘤磺酊佬护鹂漂陈婕缥酸价瘠饬鳐伦直娅挢魅钰啭鼯溲页筵虍撷黩筷宣瘴莫丹虍乜暴善遁沔 设 p