国科大人工智能学院《计算机视觉》课 —底层视觉—图像分割
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
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！