基于graph cuts 和主动轮廓的纹理感知图像分割(ppt).ppt

Texture aware image segmentation using graph cuts and active contours;（4）：当分割比如伪彩色这样的复杂图像时，我们建议在图像分割过程中包含软约束，这样可以 允许用户去勾勒从而表明那些需要通过的边界的区域，这只是在用户身上小小的负担，但是能有 效地指导算法去找寻最满意的结果。 通过整合这些technical components我们提出了一种纹理感知交互式分割算法，工作原理如下： （1）给定输入图像和用户的前景/背景输入，算法分析图像并生成一幅增强图像，其中包含了原始 图像和纹理检测结果。 （2）基于结构张量的graphcut算法应用到增强图像进行初始分割。 （3）使用自适应的主动轮廓算法来改善最初的分割效果。 （4）如果需要的话，用户可以用算法提供的边界编辑来进一步改善分割效果 因为局部的边界编辑和其它三个元素的整合，论文的主要贡献在于： （1）前景图像框架的graph cut 分割 （2）graph cut能量函数中边界的结构张量的使用 （3）凸形主动轮廓改进并合并到graphcut中 （4）对于局部区域编辑的软约束的使用 ;3. 纹理感知graphcut 分割 这一部分首先简单地介绍了graphcut分割作为我们接下来工作的基础，然后提出了两项研究， 构造了纹理增强图像来代替输入图像用于分割以及把结构张量融入到graphcut模型当中。 3.1 graphcut 分割 graph Cut交互式方法的主要思想是：将对图像的目标和背景进行标记作为硬约束，在满足这 一硬性约束的条件下，根据边界和区域的特性，定义一个能量函数，通过计算全局最优解来获得对 未标记的部分的自动分割，而边界和区域的特性可以看作是分割的软约束。交互式图像分割转化为 求解一个包含区域和边界信息能量函数的最小化过程。 图像分割可以看成像素标记问题，目标（s-node）的label设为1，背景（t-node）的label设为0， 这个过程可以通过最小化图割来最小化能量函数得到。那很明显，发生在目标和背景的边界处的 cut就是我们想要的。同时这时候能量也应该是最小的。 ; 首先用一个无向图G=V，E表示要分割的图像，V和E分别是顶点（vertex）和边（edge）的 集合。图像到图的映射 把图像表示为???是 Graph Cut 的首要步骤，问题的关键是如何建立图像与 图的对应关系。左图图像中的像素看作是右图中的结点，邻接像素之间的相似性看作是边上的权值 。类似图，除了普通结点外，还包含两个称为“终点”的点 s、t。边集 E 中包含两种边，一种是 连接相邻结点之间的边(n-links)，一种是连接普通结点和“终点”之间的边(t-links)。 ; 假设整幅图像的标签label为L= {l1,l2,,,, lp }，其中li为0（背景）或者1（目标）。那假设图像的 分割为L时，图像的能量可以表示为： 其中，Er为区域项（regional term），Eb为边界项（boundary term）， 区域项： 其中 表示了在高斯混合模型中，前景为1或背景为0的像素概率 边界项： 其中 控制着分割边界的平滑性和准确性，通常选为 　　公式（1）的最小值是通过最大流/最小割算法a min-cut/max-flow algorithm来实现的， 它需要迭代来增强分割的精度。; 能量最小化解决问题包括两个步骤：第一步，定义问题的能量函数，并给出相应的约束条件； 第二步，最小化能量函数。 组合优化的理论之一既是最小割问题可以通过找从源点到汇点的最大流来解决。Ford 和 Fulkerson 的理论表明，从源点到汇点的最大流可以使图中的边达到饱和状态，并将图中的所有结 点分为两个互不相交的集合，就是最小割。 3.2 色彩和纹理的结合 正如观察所见，graphcut和grabcut由于纹理的干扰不能很好的分割纹理图像，这就激励我们 通过把纹理考虑在内来改进graphcut 算法，特别地，我们建议观察图像纹理，并结合原图像和纹 理观察后的结果来创建一幅增强后的图像，然后对增强后的图像用graphcut算法为了减少在分割 过程中的纹理干扰，这个过程需要两个条件：有效地纹理描述和对于两个有效地结合策略。 分析图像的纹理特征，如果我们考虑到图像是从可维表面获得的，经典的微分几何理论就为 我们提供了简洁的工具。对于N通道图像 被看作函数