图割算法(基于图论的分割方法

是一种能量优化算法。

普遍应用于前景分割,也就是二值分割,也就是希望前景与背景分割开。

广泛用于二值分割,但也能进行多值分割。(多值:对初始顶点数敏感,不准确顶点数直接影响分割结果准确性;————改进:在原来的能量函数中加入一个标签项。优化能量函数过程中,使得标签数目也得到优化,这样,可以在初始化时给出一个松弛顶点数,便于日常分割

图割算法(基于图论的分割方法_第1张图片

顶点:S和T

节点:图中每一个像素

顶点与节点相连、节点与节点相连——所有相连的边都存在权重值

顶点—节点(的权重):数据项;反应节点与该类别的相近关系

节点—节点(的权重):光滑项;反应相邻节点的相似程度


整个分割过程:变成了 最大流/最小割问题;去除连接弱的边,保留下来的就是分类结果

实质:图像分割问题可以当作是像素标记的问题,目标节点的标记设为 1,背景节点的标记设为 0,这个过程可以通过最小化图割来最小化能量函数得到。

期望:生成在目标边界和背景处的“割”————相当于背景和目标分别和不同的顶点连接(这个过程就完成了背景与目标的分割)————能量达到最小值

能量优化:实际就是寻找一个最优的标记方法,使这种标记下的能量函数(包括数据项和光滑项)最小


Grabcut算法

交互式分割算法。

需要人工的标定一个或多个前景点或背景点,然后根据标定的这些点统计分析前景或背景信息,利用几何膨胀学或其他方法,将【标记点周围,和,与标记点有很高相似性的像素】分到一个分类中。

总结:整体准确度较高,因为一般人工标定的前景或背景都被认为是准确度,也就是提供了充分的先验信息,能让统计分割更为可信。但,前后背景颜色相近的情况分割不准确,且需要人工的参与标定过程,在大批量分割工作中显得不太智能。


基于图论的分割方法

首先会建立一个能量函数,在形成不同的超像素的过程中,期望最小化能量函数。

图中每个像素被视为一个节点,依据节点之间的相似度,对能量函数做不同大小的贡献。

想要得到的过分割块数(也就是图论模型中的标签个数)。

能量函数考虑的方面=节点与标签的相关程度所贡献的不同权重+相邻像素的相近程度和位置关系+不相邻像素之间的内在联系

代表性算法:
1.Ncut(将彩图和灰度图当作一张带权重的无向图,根据特征方程寻找特征值和特征向 量的过程,对图求解最优分割------计算量过大。改进:采用多谱图的方法,使得复杂度可以呈线性增长)

2.超像素网格算法SL(利用图论,通过寻找最优的分割路径的方法来分割图像);克服拓扑约束限制,在速度和准确性上很好。

你可能感兴趣的:(算法,数据结构)