COMP9517 week4a Image Segmentation

Posted 2020-12-13 cheviszhang

https://webcms3.cse.unsw.edu.au/static/uploads/course/COMP9517/20T2/b6a689dc94d52782367ec4a81b345f7a3a11a03c871a8731570f5af2ab992704/COMP9517_20T2W4_Image_Segmentation_Part_1.pdf

https://echo360.org.au/lesson/1dff8680-04a8-4cd7-ac45-0822b6f936e9/classroom#sortDirection=desc

 

总结：

　　1.Basic Segmentation methods

　　　　1) Thresholding

　　　　　　(1) 低于Threshold为background 高于为Foreground  ;   binary-segmentation

　　　　　　(2) regions有重叠的灰度大小，就难以分割了，要么background变得noisy，要么foreground不整齐

　　　　2)K-means clustering

　　　　　　（1）• Could work if the number of clusters is known a priori

　　　　　　（2）有时候regions多，threshold就不好用了，可以用 k-means （例1中用了3-means）

　　　　　　  (3)   对于另一些图 k 不好确定，k-means就不太能用　　　　　　　　　　

　　　　3)Feature extraction and classification

　　　　　　（1）将Image分成patches，然后sliding window提取features 做classification

　　2.More sophisticated segmentation methods

　　　　1) Region splitting and merging**

　　　　　　　(1) 计算 Connected Components : 4-connected , 8-connected两种方法计算出的数量是不一样的

　　　　　　 （2）Connected Components Algorithm：

　　　　　　　　　　1. 从上到下，从左到右，两层遍历所有pixel

　　　　　　　　　　2. 如果pixel是object_pixel，检查其Neighbor，neighbour种有label就标上最小的那个label，没有就标上新的

　　　　　　　　　　3. 对于相连而不同labels的pixels，记录等价的labels：  Equivalence sets {1,2,6} {3,4,5}

　　　　　　　　　　4. 再遍历一遍，对于pixel赋值 Equivalence sets中最小的值，背景赋值为0

　　　　　　（3）Region splitting 

　　　　　　　　　　1. 在直方图中找到最好的分割开peaks的threshold——t (峰谷)，重复直到regions are either fairly uniform or below a certain size

　　　　　　　　　　

 

 

 　　　　　　　　　　2. 递归版本的分割，从左下的图开始，原始图片入栈，分割图片成几个clusters，几个子图入栈，然后pop出来继续。

 

　　　　　　　　　　

　　　　　　（4）Reigion Merging

　　　　　　　　1.Heuristics-based region merging

　　　　　　　　2. Graph-based region merging

　　　　　　　　3.Merging by region growing

 

 

　　　　2) – Superpixel segmentation

　　　　3) – Watershed segmentation

　　　　　　（1） 选几个markers开始，一般是自动选取Local minimum

　　　　　　（2）intensity从下到上，intensity越小，priority越大，入栈

　　　　　　（3）pop出priority最大的pixel，如果它的neighbour全是同一个label，则assign它同样的label，如果neighbour不是全一样，则ignore it 

　　　　　　（4）注意：

　　　　　　　　1.有时候会oversegment，一个object分成好多个，这个时候要么prepossesing要么postprocessing

　　　　　　　　2.object是白色时，需要intensity inversion 来找local minimum

　　　　　　

 

　　　　　　　　

 

 

 

 

　　　　4)– Conditional random field

　　　　5)– Maximally stable extremal regions

　　　　6)– Active contour segmentation

　　　　7)– Mean-shifting algorithm

　　　　　　1.在特征空间中，随机选择pixel作为start point，计算中心点（带权重的），并把start point迁移到中心点；不断迭代直到收敛

　　　　　　2. 用高斯公式计算权重，离中心点越近的权重越大

　　　　　　3. 优点：

　　　　　　　　（1）不需要获知 k ， 可以自己找到 number of clusters

　　　　　　　　（2）只有一个变量

　　　　　　4.缺点：

　　　　　　　　（1）计算量大，因为要计算所有的k

　　　　　　　　（2）变量window size很难解释

　　　　　　　　（3）高维空间难以解释

　　　　　　

 

 

　　　　　　

 

 

 

　　　　8)– Level-set segmentation

　　3.How to evaluate segmentation methods

　　　　1)    Quantitative evaluation metrics

　　　　2)– Receiver operating characteristic