国科大人工智能学院《计算机视觉》课 —底层视觉—图像分割

Posted 2021-12-13 肉丸不肉

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：

1. 混合高斯模型GMM
   

2. 图像分割：Mean-Shift、Normalized cut