计算机视觉——图像分割.pdfVIP

计算机视觉——图像分割 【本学期选修国科⼤⾼伟⽼师的计算机视觉课程，本⼈⽅向也是cv，因此想通过博客⽅式记录课程中⽐较重要的点，巩固并且进⾏⼀些扩展 学习】 【本章节内容针对图像分割进⾏讲解】 接下来我们将主要针对以下内容进⾏介绍： 早期的图像分割⽅法 基于特定理论的⽅法 ：Mean Shift 、Normalized Cut、Graph Cut 基于深度神经⽹络的图像分割 ：FCN、SegNet、R-CNN ⼀.早期图像分割⽅法： 1. 阈值法* 2. 区域⽣长法 3. 分裂合并法 4. 基于边缘的分割⽅法* 5. 等等 这边重点介绍加粗变红部分。 1.1阈值法 基本原理： 通过设定不同的特征阈值 ，把图像像素点分为若⼲类。常⽤的特征包括：灰度、彩⾊特征、由原始灰度或彩⾊值变换得到的特 征。 上图T值便是我们设置的阈值。 但是如果遇到灰度级集中的情况，简单的设置阈值往往达不到很好的效果。如下图左边灰度级过于集中；或者右边应为光圈问题，在后期 提取情况造成了很⼤的偏差。 针对此，我们引⼊了 1.2 局部阈值法： 基本原理：将图像分块，分别⽤全局阈值⽅法分割，最后再综合。 1.3 基于边缘的分割⽅法: 基本步骤: 1 ）检测边缘 2 ）根据边缘将图像分割成不同的区域 ⽐如我们需要完成以下任务：在只有0-1灰度级的图中，我们想要捕捉-45度的线。 解决⽅案：引⼊⼀个 算⼦，表⽰-45度的斜线，在通过 阈值来保存我们所需要的线。 Hough⽅法 图像中检测直线的⼀种⽅法，该⽅法也可以检测其他参数化的物体，⽐如圆或者椭圆等。 该技术在 1959 年最早由 Paul Hough 提出。 在图像x-y坐标空间，经过点( ,   ) 的直线可以表⽰为yi=a*xi+b,在不同的a、b的条件下，直线存在⽆数条。 同样，若将a、b看成是变量，则可以表⽰为b=-xi*a+yi，对应a-b空间的⼀条线。 若此时想要利⽤a-b空间找到左图同时过两个点的线，可以通过右图相加的点找到对应的a0和b0来确定该条直线。 但是存在⼀个问题：若直线垂直于x轴，这意味着a值趋向于⽆穷⼤。 因此针对该现象，我们引⼊了极坐标： 其中相交的点便是我们寻找的条件。 ⼆ .基于特定理论的⽅法 ：(Clustering聚类⽅法为主) 2.1 K-Means 步骤如下： 1.确定聚类（ cluster ，也称簇）中⼼的个数 K ，并为它们随机初始化⼀个各⾃的聚类质⼼点。 2.根据每个数据点到质⼼的距离来进⾏分类，加⼊新的可加⼊的最近的数据点。 3.针对加⼊的新数据点，重新计算每⼀聚类中所有向量的平均值，并确定出新的质⼼。 4.重复2-3步骤，进⾏⼀定次数的迭代，直到质⼼的位置不再发⽣太⼤变化。 优缺点： 优点：速度快， 时间复杂度O(n) 。 缺点：如何 ⼀开始就确定聚类个数K ；⼀开始质⼼点的选取是随机的，质⼼点的位置不可重复且缺乏⼀致性 。 K-Means效果图 2.2⾼斯混合模型（GMM） 其是指多个⾼斯分布函数的线性组合，⽤两个参数来描述聚类的形状 ：均值和标准差。 以⼆维分布为例，标准差的存在允许聚类的形 状，相⽐如K-Means算法,更加灵活地对点进⾏分类。在图像上可表⽰为多类型的椭圆，⽽不再限制于圆形（K-Means）。 如果数据点 符合某个⾼斯分布 ，那它就会被归类为那个聚类。 为了找到每个聚类的参数，EM算法【Wu X, Kumar V, Quinlan J R, et al. Top 10 algorithms in data mining[J]. Knowledge and information systems, 2008, 14(1): 1-37.】在这⾥极为重要 ！ EM 算法是⼀种迭代优化策略，由于它的计算⽅法中每⼀次迭代都分两步，其中⼀个为期望步 （E 步），另⼀个为极⼤步（ M 步），所以算法被称为EM 算法（ Expectation-Maximization Algorithm）。 基本思想：⾸先根据⼰经给出的观测数据， 估计出模型参数的值；然后再依据上⼀步估计出的参数值估计缺失数据的值，再根据估计出的 缺失数据加上之前 ⼰经观测到的数据重新再对参数值 进⾏估计，然后反复 迭代，直⾄最后 收敛，迭代结束。 缺点：与K-Means相⽐，GMM每⼀步迭代的计算量⽐较⼤。 基于EM算法，有可能陷⼊局部极值，需要经过多次迭代。 2.3 Mean-Shift 1975年，Fukunaga和Host