国科大人工智能学院《计算机视觉》课 —底层视觉—图像分割
发布时间
阅读量：
阅读量
一、早期的图像分割方法：阈值法、基于边缘信息的分割方法
图像分割：把图像分成互不重叠的区域 并提取出感兴趣目标的技术和过程。
图像分割的基本依据：区域内的一致性、区域间的不一致性
阈值法 ：
局部阈值法 ：将图像分块 ，分别用全局阈值方法分割 ，最后再综合 。
基于边缘的分割方法 ：
- 先检测边缘
- 再根据边缘将图像分割成不同的区域
霍夫变换（Hough transform） ：
- 是图像中检测直线 的一种方法，也可以检测其他参数化的物体 ，比如圆或者椭圆 等。
二、基于特定理论的方法：Mean Shift、Nomalized Cut、Graph Cut
1. K-Means ：
GMM 高斯混合模型 ：是多个高斯分布函数的线性组合 ，理论上可以拟合出任意类型的分布
- 假设：数据点满足不同参数下的高斯分布
- 用两个参数来描述聚类的形状 ：均值、标准差
- 标准差的存在 允许聚类的形状可以是任何种类的椭圆形（不再局限于圆形）
- 如果数据点符合某个高斯分布 ，它就会被归类为那个聚类
- 权重 的引入为同一点属于多个聚类 找到了解决方案
- 与K-Means相比，GMM每一步迭代的计算量很大
- 基于EM算法，有可能陷入局部极值 ，需要经过多次迭代
2. EM 期望最大化 ：为了找到每个聚类的高斯参数
3. Mean-Shift 均值移动 ：
- 核心思想：找到概率密度梯度为零的采样点，并以此作为特征空间聚类的模式点 。
- 算法流程：
- (0) 确定窗口大小h
- (1) 计算m(x)
- (2) 如果m(x)小于一个给定的阈值，结束循环 ；否则，计算新的x，继续执行(1)
- Mean-Shift优缺点 ：
4. Graph Cut 图割 ：图像用图来表示
5. Normalized Cut：分类、图像分割
6. 用Graph Cut 求解 能量极小化 问题：多标记分类
三、基于深度神经网络的图像分割：FCN（全卷积）、SegNet、DeepLab
往年试题：
混合高斯模型GMM
图像分割：Mean-Shift、Normalized cut
全部评论 (0)
还没有任何评论哟~