經典的圖像分割演算法

⑴ 如何分析一個圖像分割演算法

論文閱讀筆記：圖像分割方法deeplab以及Hole演算法解析

deeplab發表在ICLR 2015上。論文下載地址：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS.
deeplab方法概述
deeplab方法分為兩步走，第一步仍然採用了FCN得到 coarse score map並插值到原圖像大小，然後第二步借用fully connected CRF對從FCN得到的分割結果進行細節上的refine。
下面這張圖很清楚地展示了整個結構：

然後這張圖展示了CRF處理前後的效果對比，可以看出用了CRF以後，細節確實改善了很多：

deeplab對FCN更加優雅的處理方式
在第一步中，deeplab仍然採用了FCN來得到score map,並且也是在VGG網路上進行fine-tuning。但是在得到score map的處理方式上，要比原FCN處理的優雅很多。
還記得CVPR 2015的FCN中是怎麼得到一個更加dense的score map的嗎？ 是一張500x500的輸入圖像，直接在第一個卷積層上conv1_1來了一個100的大padding。最終在fc7層勉強得到一個16x16的score map。雖然處理上稍顯粗糙，但是畢竟人家是第一次將圖像分割在CNN上搞成end-to-end，並且在當時performance是state-of-the-art，也很理解。
deeplab摒棄了這種做法，取而代之的是對VGG的網路結構上做了小改動：將VGG網路的pool4和pool5層的stride由原來的2改為了1。就是這樣一個改動，使得vgg網路總的stride由原來的32變成8，進而使得在輸入圖像為514x514，正常的padding時，fc7能得到67x67的score map, 要比FCN確實要dense很多很多。
但是這種改變網路結果的做法也帶來了一個問題： stride改變以後，如果想繼續利用vgg model進行fine tuning，會導致後面filter作用的區域發生改變，換句話說就是感受野發生變化。這個問題在下圖(a) (b)中通過花括弧體現出來了:
Hole演算法
於是乎，作者想出了一招，來解決兩個看似有點矛盾的問題：
既想利用已經訓練好的模型進行fine-tuning，又想改變網路結構得到更加dense的score map.
這個解決辦法就是採用Hole演算法。如下圖(a) (b)所示，在以往的卷積或者pooling中，一個filter中相鄰的權重作用在feature map上的位置都是物理上連續的。如下圖(c)所示，為了保證感受野不發生變化，某一層的stride由2變為1以後，後面的層需要採用hole演算法，具體來講就是將連續的連接關系是根據hole size大小變成skip連接的（圖(c)為了顯示方便直接畫在本層上了）。不要被(c)中的padding為2嚇著了，其實2個padding不會同時和一個filter相連。
pool4的stride由2變為1，則緊接著的conv5_1, conv5_2和conv5_3中hole size為2。接著pool5由2變為1, 則後面的fc6中hole size為4。

代碼
主要是im2col(前傳)和col2im(反傳)中做了改動 (增加了hole_w, hole_h)，這里只貼cpu的用於理解：

⑵ 基於信息熵的圖像分割演算法有哪些

在此提供兩種方法，一，最大閾值分割（大律法）： I=imread('test.jpg'); subplot(1,3,1);imshow(I);title('原圖'); I1=rgb2gray(I); subplot(1,3,2);imhist(I1);title('直方圖'); level=graythresh(I); g=im2bw(I,level);%最佳閾值level subplo...

⑶ 目前應用最廣的圖像分割演算法是什麼

典型的圖像分割方法有閥值法，邊緣檢測法，區域法,很多演算法是在其上進行改進，目前沒有一個演算法適用所有圖像.
目前常用的閾值分割方法有：雙峰曲線擬合法，最大熵值分割法，類間方
差閾值分割法，模糊閾值分割法等;
邊緣檢測是最為普遍的對於灰度間斷的檢測方一般常用一階和二階導數來檢測邊，二階導數：有梯度運算元、Roberts、Prewitt和Sobel運算元、拉普拉斯運算元、Canny運算元 。

⑷ 圖像分割最好方法

1.基於閾值的分割方法

閾值法的基本思想是基於圖像的灰度特徵來計算一個或多個灰度閾值，並將圖像中每個像素的灰度值與閾值作比較，最後將像素根據比較結果分到合適的類別中。因此，該方法最為關鍵的一步就是按照某個准則函數來求解最佳灰度閾值。

閾值法特別適用於目標和背景占據不同灰度級范圍的圖。圖像若只有目標和背景兩大類，那麼只需要選取一個閾值進行分割，此方法成為單閾值分割；但是如果圖像中有多個目標需要提取，單一閾值的分割就會出現作物，在這種情況下就需要選取多個閾值將每個目標分隔開，這種分割方法相應的成為多閾值分割。
2.基於區域的圖像分割方法

基於區域的分割方法是以直接尋找區域為基礎的分割技術，基於區域提取方法有兩種基本形式：一種是區域生長，從單個像素出發，逐步合並以形成所需要的分割區域；另一種是從全局出發，逐步切割至所需的分割區域。
分水嶺演算法

分水嶺演算法是一個非常好理解的演算法，它根據分水嶺的構成來考慮圖像的分割，現實中我們可以想像成有山和湖的景象，那麼一定是水繞山山圍水的景象。

分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。

⑸ 幾種圖像閾值分割演算法的實現與比較

摘要：圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。該文主要論述了常用的幾種圖像閾值分割的演算法及原理，並以研究瀝青混合料的集料特徵為背景，從實驗角度對圖像閾值分割的直方圖閾值法、迭代法和大津法進行了分析比較，得出了結論。關鍵詞：圖像分割；直方圖閾值法；迭代法；大津法中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044(2011)13-3109-03Achieve and Comparison of Image Segmentation Thresholding MethodCHEN Ning-ning(Department of Technology, Xi'an International University, Xi'an 710077, China)Abstract: Image segmentation is a key step for image analysis, Is also the basis for further understanding of the image. In this paper, discusses several commonly used image segmentation algorithms and theory, and to study the aggregate asphalt mixture characteristics of the background, experimental results are shown to compare histogram threshold, Iteration method and the Otsu.Key words: image segmentation; histogram threshold; iteration method; Otsu1 概述圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。

⑹ 圖像分割演算法分為幾類

從學術角度講圖像分割主要分成3大類，一是基於邊緣的，二是基於區域的，三是基於紋理的。由於基於紋理的也可以看成是基於區域的，所以有些專家也把分割方法分成基於邊緣和基於區域兩大類。
選擇演算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基於邊緣的方法就可行。但如果是像醫學圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基於邊緣的方法就不合適了，用基於區域的方法更好。再比如帶紋理的圖像，例如條紋衫，如果用基於邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基於紋理的方法就能把紋理相同或相似的區域分成一個整體。
不過總體來說，基於區域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。

⑺ 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(7)經典的圖像分割演算法擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

⑻ 基於閾值的圖像分割方法有哪些

主要是三類
1) 基於點的全局閾值方法；
2) 基於區域的全局閾值方法
3) 局部閾值方法和多閾值方法
1）基於點的全局閾值方法
p-分位數法
1962年Doyle提出的p-分位數法是最古老的一種閾值選取方法
迭代方法選取閾值
初始閾值選取為圖像的平均灰度T0，然後用T0將圖像的象素點分作兩部分，計算兩部分各自的平均灰度，小於T0的部分為TA，大於T0的部分為TB，將T1 作為新的全局閾值代替T0，重復以上過程，如此迭代，直至TK 收斂
直方圖凹面分析法
最大類間方差法
熵方法
最小誤差閾值
矩量保持法
模糊集方法
2) 基於區域的全局閾值方法
二維熵閾值分割方法
簡單統計法
直方圖變化法
鬆弛法
3) 局部閾值方法和多閾值方法
局部閾值（動態閾值）
閾值插值法
水線閾值演算法
多閾值法 基於小波的多域值方法 基於邊界點的遞歸多域值方法 均衡對比度遞歸多域值方法

⑼ 圖象分割有哪三種不同的途徑

圖象分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。早期的圖像分割方法可以分為兩大類。一類是邊界方法，這種方法假設圖像分割結果的某個子區域在原來圖像中一定會有邊緣存在；一類是區域方法，這種方法假設圖像分割結果的某個子區域一定會有相同的性質，而不同區域的像素則沒有共同的性質。這兩種方法都有優點和缺點，有的學者考慮把兩者結合起來進行研究。現在，隨著計算機處理能力的提高，很多方法不斷涌現，如基於彩色分量分割、紋理圖像分割。所使用的數學工具和分析手段也是不斷的擴展，從時域信號到頻域信號處理，小波變換等等。

圖像分割主要包括4種技術：並行邊界分割技術、串列邊界分割技術、並行區域分割技術和串列區域分割技術。下面是分別對每一項做簡單的介紹。

⑽ 如何用區域生長法實現圖像分割

區域生長法圖像分割是直接根據像素的相似性和連通性來對圖像進行聚類的演算法。基本原理是，給出若干種子點，然後依次對這些種子點進行如下操作，直到種子點集合為空：判斷種子點四鄰域或八鄰域的像素點是否和種子點相似（灰度相似或其他測度相似），如果相似則將該點加入種子點集合，否則不作處理。
該演算法原理很簡單，但在數據結構的組織上卻需要技巧，本文介紹一種簡易的數據組織方式實現該演算法。

如上圖所示，左圖為一幅W*H大小的圖像示意圖，利用區域生長法圖像分割演算法，該圖像被分割（聚類）為7塊；右圖為相應的數據結構，圖像分割的結果屬於圖像空間數據，其實就是一系列的像素點坐標數組或與像素點坐標直接關聯的屬性數組如FLAG的數組等，這個數組的維度一定是W*H，而分割結果體現在數組元素的排列順序：同一類別的元素連續存儲。然而類別的界限無法用該數組表明，而只能用另外一個描述數組，這里我們稱之為圖像空間數據的「元數據」數據，這個數組的有效維度為空間數據的類別數，即7，每個元素代表的是空間數據數組中每個類別的元素個數，其實也就相應地表明了每個類別的指針位置。