图像分割与对象跟踪综述内容资料.pptVIP

图像分割与对象跟踪综述 边缘检测算法 通过检测不同区域的边界进行分割： 优点：边缘定位准确 缺点：对噪声敏感，检测到的边缘一般不闭合 阈值分割法 对灰度图像通过阈值，对像素分类 优点：简单、有效、可靠 缺点：对噪声敏感 区域生长分割法 通过一系列种子点，根据某种生长或相似性准则进行区域生长 优点：实现简单 缺点：依赖种子点的选取，要遍历整个图像，计算复杂。 坐标映射分割法 从二值化图像中提取目标，大大降低了计算复杂度。 基于特征空间的聚类算法 是一种无监督的统计算法，不需要训练样本，通过迭代的执行分类算法，提取各类的特征值。 方法有： K-均值法 模糊C均值法 优点：不需要训练集 缺点：需要确定分类个数，初始参数对结果影响大，需要对图像进行预处理，对噪声敏感 基于小波变换的分割技术 通过小波变换将目标图像进行二维小波分解，分解为不同频带的子图，得到相应的小波系数。这些小波系数即是对图像总体和细节特征的表征。小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性。 利用神经网络的分割技术 将图像分割问题作为一个函数最小化问题来处理。 主要思想是：利用已知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理和识别。 优点：系统具有鲁棒性、并行性、实时性 运动图像分割算法 分类 按运动图像特征分类 按人工参与程度分类 新的图像分割方法 基于空间域的图像分割 结合时空信息的图像分割 基于时间域的图像分割 基于知识的图像分割 半自动分割 全自动分割 其他分割方法 网格模型 Snake模型（活动轮廓模型） 基于空间域的图像分割 利用图像空间信息将图像分割成不同的区域 方法有： 颜色、灰度、纹理等 基于轮廓的分割算法 基于区域的分割算法 基于轮廓的分割算法 基本思想是： 先检测图像中的边缘点 然后按照一定的策略连接成轮廓 形成分割区域 缺点：精确性和抗噪性之间矛盾 基于区域的分割算法 基本思想是：根据图像数据特征将图像空间划分为互不重叠的区域，从而达到分割的目的。 灰度、颜色值等 由原始图像数据变换而来的特征。 常用的方法有： 阈值法 聚类法 松弛度法 区域生长法 基于时间域的图像分割 利用相邻帧之间的相关性，对图像中的像素进行相关估计，根据像素间运动矢量的不同实现运动图像的分割。 方法 光流检测法：（光流可以看做像素点在图像平面运动产生的瞬时速度场） 变化检测法：（对前后两帧相减，使用阈值，判断运动区域） 基于运动信息的参数模型算法：（使用运动估计，要求运动对象是刚体） 结合时空信息的图像分割 空间分割 区域跟踪 区域合并 首先对图像进行降噪处理 将首帧图像作为关键帧进行分割 对分割的区域进行跟踪 利用图像特征，如纹理，灰度等 根据相似性准则合并区域，得到运动对象 方法 动态聚类 分水岭算法 Snake方法 分列和合并及统计方法 区域跟踪 通过在后续帧中估算空间分割，得到区域的运动矢量或区域内像素的运动频率来实现 采用分层块匹配法构造运动场 采用最小均方近似计算区域中像素的运动参数 区域合并 利用跟踪阶段得到的运动矢量或者运动频率，根据相似性规则将相关区域合并成对象。 判定规则 运动频率 运动相似性 结合多个后续帧，采用阈值计算区域内像素的运动频率 统计区域内运动像素个数，确定区域是背景还是运动物体 造成一定的延时 只适合静止背景情况 计算每个区域的运动参数 根据均方运动补偿误差或其增量来衡量相邻区域的运动相似性。 方法：对相邻区域Ri和Rj估计一组运动参数，用这组参数进行补偿，计算均方运动补偿误差增量 ，找到 的最小值，若最小值大于预设阈值，则合并。 基于知识的图像分割 利用已知的先验知识和统计特性，对运动目标进行检测，分割，提取。 如形状、灰度、纹理、颜色等 半自动分割 半自动分割算法： 人通过图形用户界面（GUI）对运动图像进行初始分割 对后续帧采用自动分割算法 方法 按被分割对象的性质进行跟踪的方法 基于变化检测的方法 基于形态学的方法 特点：需要借助人工的参与来定义语义，适合于复杂场景下的对象分割，分割效果好，但不适合实时分割。 全自动分割 全自动分割 运动分割（基于运动场估计的分割） 时空联合分割法 变化检测（基于差分的分割算法） 基于背景估计的分割 特点：无需人工参与，可自动分割出运动目标，并进行跟踪，可完成实时处理任务。缺点是：大多数算法值适合特定应用，需预先调整好参数。 运动分割 研究光流场，从序列图像中近似计算运动场。 光流约束方程表示为 图像上某一点灰度的一阶时间变化率等于场景中亮度变化率与该点运动速度的乘积： Ix,Iy,It分别表示亮度函数关于x,y,t的偏导数，u,v表示当前像素点水平和竖直方向上的运动速度 特点：能处理两个或