计算机视觉之图像分割

关于MRF方法：https://blog.csdn.net/weixin_41923961/article/details/80878036
图像分割定义：
为每个像素打标签，相同的标签用同一特征表现。
分割方法从宏观上说可以分为基于边缘的和基于区域的。
目前学到了基于k-meas、分水岭、GrabCut、基于MRF四种方法，简单谈谈对这四种方法的理解。无论是哪种方法，都是以像素点作为对象来分析。

k-means方法（基于区域）：
样本聚类的过程，相似的样本聚到一类中。
实现流程：给定k类，初始化k个中心点，计算每个样本到所有中心点的距离，取最小距离，将该样本分到对应的最小距离的类别中，直到遍历完所有的样本点，完成所有样本点的聚类，计算每个类的均值作为新的中心点。再次重复，直到新旧中心点的变化不大（小于设定的阈值）。
联系图像分割：
先对图像的像素值聚类得到k个类，再将每一个类中的point赋予相同的像素值。

mean-shift方法（基于区域）：
对每个像素点形成关于表征外形信息、空间信息的向量表示，选定合适的空间、外形尺度因子。
对所有的像素点做mean-shift聚类，对聚类结果进行合并。若两个类的中心距离小于设定的阈值，合并两个类。
mean-shift聚类过程：
在未被标记点中选一个点作为center，以center为中心选定窗口大小，对窗口内的点计算shift向量，更新center位置，直到偏移向量很小。重复以上步骤，直到所有的点都被访问过。判断最后所得类是否需要合并，center间的距离很小则合并两个类。

watershed方法（基于边缘）：
应用对象是梯度图像！在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起来构成一个封闭的轮廓。

找到所有的最小像素值（从最小值开始标注，利用分水岭中从最小值开始注入的思想），为其赋予label，该像素若四周邻近一个已知的region，则赋予它邻近region的label，若邻近两个或多个region（包括边界），赋予其boundary，若周围没有已知的region label，则给其标注新的region label。以像素值的大小由小到大遍历各个像素集（不断的标注：加入已知的region、boundary、new region），如下图所示。
具体的例子：最终得到a、b、c、d、e五个region。依次由小到大开始遍历原图像（逐行遍历）：标注完所有的0，再分别标注1、4、5的像素集。（小心级别，从小到大）

MRF（由于没有训练样本，所以利用了吉布斯引入团的概念，求各个像素可能的类别的概率）：
对每个像素点进行标注，标注的信息是类别。
根据贝叶斯（区分在训练分类器时所用的贝叶斯区别，这里没有训练集，无法利用训练集知道各个像素点处可能出现的类别的概率），对每个像素点进行各个类别的概率，可视为求像素点所属类别概率与该类别下某个像素值的概率，由于不知道像素点属于哪个类，通过吉布斯，利用团势能来计算像素点属于不同类别的概率，关于在已知类别下像素值出现的概率，可通过已知类中像素点的分布来求其高斯分布，对于像素值，则带入该高斯分布中求概率。

graph-cut（交互式图像分割）：
输入前景和背景信息，建立像素点与前景节点和背景节点相似度的权值图。
像素节点+背景节点+前景节点，以及边构成图。通过找最小割，以此来将图像划分为不同区域。最小割：所去除的边权值和最小，使得节点分割为两个集合。

提高分割效率方法：
1.超像素：相似的像素进行合并
2.在低分辨率的图像上分割，分割完成后在将图像恢复到高分辨率