CRF图像切割简单介绍

Posted slgkaifa

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了CRF图像切割简单介绍相关的知识,希望对你有一定的参考价值。

这里主要是讲Conditional Random Fields(CRF)用于pixel-wise的图像标记(事实上就是图像切割)。CRF经经常使用于 pixel-wise的label 预測。当把像素的label作为形成马尔科夫场随机变量且能够获得全局观測时,CRF便能够对这些label进行建模。这样的全局观測通常就是输入图像。

令随机变量Xi是像素i的标签。


XiL={l1,l2,...,lL}

令变量X是由X1,X2,...,XN组成的随机向量,N就是图像的像素个数。
如果图 G=(V,E)。当中V={X1,X2,...,XN},全局观測为I 。使用Gibbs分布。(I,X)能够被模型为CRF,
P(X=x|I)=1Z(I)exp(?E(x|I))
.

在全连接的CRF模型中,标签 x 的能量能够表示为:

E(x)=iφ(xi)+i<jφp(xi,xj)

当中 φu(xi)是一元能量项。代表着将像素 i分成label xi 的能量。 φp(xi,xj)是对像素点 ij同一时候切割成xixj的能量。


最小化上面的能量就能够找到最有可能的切割。

以上是关于CRF图像切割简单介绍的主要内容,如果未能解决你的问题,请参考以下文章

图像语义分割之FCN和CRF

图像语义分割之FCN和CRF

CV:object segmentation(FCN-CRF)

条件随机场CRF介绍

CRF分割后处理(二)

CRF条件随机场总结