2. 程式人生 > >影象分割方法綜述

影象分割方法綜述

阿新 • • 發佈：2019-02-01
幾何活動輪廓模型以曲線演化理論以及水平集方法為基礎，曲線的演化僅依賴於其內在幾何特性，而獨立於曲線的引數。由於採用水平集方法隱式的表示曲線，使得其能夠靈活地處理曲線的拓撲變化。幾何活動輪廓模型又可分為基於邊界的活動輪廓模型、基於區域的活動輪廓模型。基於邊界的活動輪廓模型主要依賴影象的邊緣資訊控制曲線的運動速度。在影象邊緣強度較弱或是遠離邊緣的地方，輪廓曲線運動速度較大，而在影象邊緣強度較強的地方，輪廓曲線運動速度較小甚至停止，使得最終的輪廓曲線運動到邊緣位置。比較著名的模型包括Caselles[30]提出的基於平均曲率流的幾何活動輪廓模型、Caselles 與Kimmel 等人[31]提出的測地線活動輪廓方法
。基於邊界的活動輪廓方法對於對比度較好的影象具有較好的分割效果，然而，由於輪廓曲線的演化依賴於影象的邊緣資訊，當影象中噪聲較強時通常難以得到理想的分割效果。基於區域的活動輪廓方法最早是由Mumford 與Shah 提出的MS 模型[32]，其主要思想是用分片光滑的函式逼近原始影象，通過能量泛函的極小化尋找合適的輪廓曲線以及近似函式，使得近似函式在除去輪廓曲線以外的同質區域為光滑函式。儘管已經有二十多年的歷史，MS 模型至今仍然具有強大的生命力，基於MS 模型的分割方法依然層出不窮。由於MS 模型數值求解存在較大困難，其近似求解演算法也是研究的熱點問題。目前關於MS 模型的近似方法主要包含兩類方法：Ambrosio 提出的基於橢圓逼近的輔助變數模型[33--36]以及Chan 與Vese 提出的基於簡化MS 模型與水平集方法相結合的方法[37]。Zhu 等人提出的區域競爭的活動輪廓模型，將區域增長、活動輪廓以及基於Bayes 公式和最小描述長度（MDL）的多相分割方法統一起來。區域競爭法擁有這三種方法的優點，互相彌補了他們的不足之處。此外，測地線活動區域模型[38]（Geodesic Active Region）結合了基於邊界與基於區域的活動輪廓方法，能夠有效利用影象的邊緣資訊與區域資訊。近年來，為處理灰度分佈不均影象的分割問題，提出了許多區域性化的活動輪廓模型，如Li Chunming 等人[39]提出的基於區域性二進擬合能量的活動輪廓模型(LBF)。

相關推薦

影象分割方法綜述

幾何活動輪廓模型以曲線演化理論以及水平集方法為基礎，曲線的演化僅依賴於其內在幾何特性，而獨立於曲線的引數。由於採用水平集方法隱式的表示曲線，使得其能夠靈活地處理曲線的拓撲變化。幾何活動輪廓模型又可分為基於邊界的活動輪廓模型、基於區域的活動輪廓模型。基於邊界的活動輪廓模型主要依賴影象的邊緣資訊控制曲線的運動速度

影象分割方法及效能評價綜述

摘 要 對醫學影象分割演算法的客觀評價是推進演算法在臨床上得到應用的關鍵。針對目前對醫學影象分割方法的研究較多,而對分割演算法的評價方法的研究卻很少的問題,提出了一種判斷和比較醫學影象分割演算法優劣的評價方法。首先對現有的幾種評價方法進行了綜述,並總結出了一套評價系統。可

計算機視覺之目標檢測及影象分割方法

1.目標檢測 現在的目標檢測方法主要分為三類： （1）基於傳統手工特徵的目標檢測方法 （2）基於RCNN的目標檢測方法 代表演算法有RCNN，SPP-Net, Fast-RCNN，Faster-RCNN （3）基於CNN迴歸的目標檢測方法 代表演算法

基於譜聚類的影象分割方法簡介

影象分割演算法有幾種：                 基於區域劃分方法。                 基於邊界劃分方法。常用的是邊緣檢測方法，優點是準確定位邊緣、運算速度快；缺點是不能保證邊緣的連續性和封閉性。                 基於閾值劃分方法。  

【OpenCV學習筆記 023】兩種影象分割方法比較

此次研究兩種影象分割法，分別是基於形態學的分水嶺演算法和基於圖割理論的GrabCut演算法。OpenCV均提供了兩張演算法或其變種。鑑於研究所需，記錄一些知識點，開發平臺為OpenCV2.4.9+Qt5.3.2。 一、使用分水嶺演算法進行影象分割 分水嶺變換是一種常用的影象處理演算法，在網上很容易搜到詳細

基於opencv的Niblack二值化演算法--影象分割方法

Niblack演算法是比較出名的二值化演算法，網上很多Niblack程式碼是基於Matlab的，本人覺得其速度比較慢，所以便基於OpenCV改寫了其演算法，具體參考的部落格連結已經忘記了，希望博主原諒。如果缺少某些函式，比如最大值最小值函式，可以參考本人其他部落格，裡面會提供

基於分塊技術的影象分割方法

譜聚類時間複雜度和空間複雜度分別是 O(n3)和 O(n2)，為了減少譜聚類的計算量，主要的方法有：減少需要計算的頂點數和邊數方法，降維。 D. Yan, L. Huang and M. I. Jordan. Fast approximate spectral cluste

區域生長和區域分離與合併的影象分割方法

最近在學習影象分割的方法，所以對區域生長與區域分離與合併的影象分割方法進行一下總結。 首先說一下兩者的不同。區域生長是根據預先定義的生長準則來把畫素或子區域集合成較大區域的處理方法。區域生長是先給定影

影象復原方法綜述（掃盲）

摘要：影象是人臉視覺的基礎，給人具體而直觀的作用。影象的資料化包括取樣和量化兩個部分。數字影象處理就是將影象訊號轉換程數字格式，並利用計算機進行加工和處理的過程。  影象復原是影象處理中一個重要問題，對於改善影象質量具體重要的意義。解決該問題的關鍵是對影象的退化過程建立相應的

Image Segmentation（影象分割）綜述

Image Segmentation（影象分割）網路結構比較 網路名 作者 父輩 生辰 簡述 增加的結構 丟棄的結構 優勢 劣勢 VGG16

基於圖的影象分割方法（Graph-Based Image Segmentation）原始碼閱讀筆記

這個方法被應用於深度學習目標檢測的經典之作selective search方法中（Selective Search for Object Recognition），用於初始化分割區域。。論文題目：《Efficient Graph-Based Image Segm

各種影象分割方法

影象分割的方法 一．基於閾值的影象分割 1. 直方圖雙峰法（mode 法） Prewitt 等人於六十年代中期提出的直方圖雙峰法(也稱 mode 法) 是典型的全域性單閾值分割方法。該方法的基本思想是：假設影象中有明顯的目標和背景，則其灰度直方圖呈雙峰分佈，當灰度級

影象分割：1.基於閾值的影象分割方法(最大熵值分割法）

 利用影象熵為準則進行影象分割有一定歷史了，學者們提出了許多以影象熵為基礎進行影象分割的方法。我們介紹一種由Kapuret al提出來，現在仍然使用較廣的一種影象熵分割方法。 給定一個特定的閾值q(0<=q<K-1),對於該閾值所分割的兩個影象區域C0,C1，其估

影象分割綜述【深度學習方法】

CNN影象語義分割基本上是這個套路： 下采樣+上取樣：Convlution + Deconvlution／Resize 多尺度特徵融合：特徵逐點相加／特徵channel維度拼接 獲得畫素級別的segement map：對每一個畫素點進行判斷類別 即使是更復雜的DeepL

影象分割-傳統方法

所謂影象分割指的是根據灰度、顏色、紋理和形狀等特徵把影象劃分成若干互不交迭的區域，並使這些特徵在同一區域內呈現出相似性，而在不同區域間呈現出明顯的差異性。 多數的影象分割演算法均是基於灰度值的不連續和相似的性質。 1、基於閾值的分割方法     &

【計算機視覺必讀乾貨】影象分類、定位、檢測，語義分割和例項分割方法梳理

文章來源：新智元 作者：張皓 【導讀】本文作者來自南京大學計算機系機器學習與資料探勘所（LAMDA），本文直觀系統地梳理了深度學習在計算機視覺領域四大基本任務中的應用，包括影象分類、定位、檢測、語義分割和例項分割。 本文旨在介紹深度學習在計算機視覺領域四大基本任務中的應用，包括分類(圖

【技術綜述】閒聊影象分割這件事兒

文章首發於微信公眾號《與有三學AI》 最近遇到很多人問我影象分割技術發展怎麼樣了，落地了嗎？有三隻想說，豈止落地了，都貼在地上摩擦了。老規矩，分幾塊說起。 01 閒聊往事 想當年，大學的時候。同學們進進出出圖書館，手裡揣著的都是什麼微積分，明朝那些事兒之

基於深度學習的影象語義分割演算法綜述（截止20180715）

這篇文章講述卷積神經網路在影象語義分割（semantic image segmentation）的應用。影象分割這項計算機視覺任務需要判定一張圖片中特定區域的所屬類別。 這個影象裡有什麼？它在影象中哪個位置？ 更具體地說，影象語義分割的目標是將影象的每個畫素所

影象處理-閾值分割方法彙總

文章目錄 基本概念 類別劃分 基本概念 影象閾值分割是影象處理中最基本也是最常用的方法之一，主要用於將影象中的畫素點劃分為兩個或者多個類別，從而得到便於處理的目標物件。 類別劃分 按照閾值作用範圍分：全域性閾值分割

使用深度學習技術的影象語義分割最新綜述

http://abumaster.com/2017/07/10/%E4%BD%BF%E7%94%A8%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E7%9A%84%E5%9B%BE%E5%83%8F%E8%AF