图像分割·简介

    在学习图像分割和目标检测方面的知识，决定通过写博客来理一理自己的一些认识，以方便加强对相关知识点的理解，也利于督促自己的学习。后续将会分三个阶段介绍，第一阶段介绍传统分割方法；第二阶段介绍一些比较高级的分割方法，涉及具有三维和更高维图像分割能力的技术；第三阶段会介绍图像语义分割，主要涉及基于深度学习的图像分割算法模型。本博客内容主要是个人学习笔记或文献整理，参考资料会比较杂，主要阅读的资料来源有书籍、论文、博客等。

• 统计模式识别

      统计模式识别认为图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式之一。虽然模式识别可以用多种方法实现，但我们这里只关心数字图像技术对其的实现。
  

  
  
  图1：模式识别的三个阶段

      第一阶段：图像分割或物体分离阶段。在该阶段中，检测出图像中的各个物体，并把它们所在的区域和其余景物分离或框选出其所在的区域。
      第二阶段：特征抽取阶段。在该阶段中对物体进行度量。通过计算可以对物体的一些重要特征进行量化表示。通过特征抽取过程可以产生一组特征，把它们组合在一起，就形成了特征向量。特征向量需要能够尽量表示原图像信息，同时与原图像相比又大大减少了表示一幅图的数据量，后续的分类决策即依赖于本阶段得到的特征向量。
      第三阶段：分类阶段。通过对特征向量进行相关计算，决策出图像中每个物体的类别。
      

• 数字图像分割

      在对处理后的图像数据进行分析之前，图像分割是最重要的步骤之一，它的主要目标是将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分。可以把图像分割处理定义为将数字图像分割成互不重叠区域的过程。在这里，区域是像素的连通集，即一个所有像素都有相邻或相接触像素的集合。
      连通性：在一个连通集中的任意两个像素之间，都存在一条完全由这个集合的元素构成的连通路径。连通路径是一条可在相邻像素间移动的路径。因此，在一个连通集中，你可以跟踪在任意两个像素间的连通路径而不离开这个集合。
      两种连通性准则：如果只依据旁侧相邻的像素（上下左右）确定连通，就称为4连通，也即一个像素有4个邻点相连通。如果再加上对角相邻的（45度邻点）像素也被认为是连通的，则是8连通，也即一个像素有8个邻点相连通。这两种准则都可使用，只要具有一致性即可。8连通的结果会与人的视觉感觉更接近。
      

• 图像分割方法

      图像数据的不确定性是主要的分个问题之一，通常伴随着信息噪音。分割方法根据所使用的主要特征可以划分为三类：第一类是有关图像或部分的全局知识，这种知识一般由图像特征的直方图来表达，比如灰度直方图；第二类是基于边缘的分割；第三类是基于区域的分割。
      在边缘检测或区域增长中可以使用多种不同的特征，诸如亮度、纹理、速度场等。第二和第三类方法解决的是一个对偶问题。每个区域可以用其封闭的边界来表示，而每个封闭的边界也可以表达了一个区域。由于各种基于边缘和区域的算法的不同性质，它们就可能给出有些不同的结果和由此而来的不同信息。因此，这两种方法的分割结果可以结合起来构成一个单独的描述结构。区域邻接图就是一个例子，其中区域由节点表示，而基于检测到的区域边界的邻接关系则由图弧表示。
      

• 分割评测问题
      现有的分割方法已有很多，而且将来会越来越多。每种方法都有一些与其相关的参数。那么，针对一个新的问题，我们如何选取最合适的算法和参数呢？这就需要我们采用客观的方法来评测性能。同时，我们需要对单个算法在不同数据集上的评测提供有关该算法的鲁棒性信息，以及在不同条件和模态下获得的数据的处理能力的信息。
      分割评测主要需要考虑如下两个问题：
      * 如何确定什么是“正确”的分割？如何比较分割结果和真实结果的差距？
      * 用什么来衡量？如何衡量？

      监督式评测：
      监督式评测假设“正确”的结果已知，通常情况下这意味着对真值的定义，比如可以通过合适的交互界面画出正确的图像边界。对于大数据集、低分辨率、模糊以及其他歧义性的图像数据，人工操作显然不太现实/不够可信。现有的监督式评测方法主要是基于如下两种方法之一：错误分类区域[Dice,1945]，以计算真值和分割区域的重叠部分为基础; 边界定位错误的评估[Yasnoff et al., 1977]，以计算分割结果与真值的像素间欧式距离等为基础。

      非监督式评测：
      获得真值的困难在于其不精确的定义，信息缺乏和时间消耗，这些原因使得非监督式的评测方法受到重视，这类方法通过对图像及分割的特性进行统计获得的定量性质不需要知道真值。非监督式评测基于分割区域的位置、形状、对比度或亮度进行评测。这些方法取决于图像的全局统计数据，可以通过对图像中的像素或者区域的统计获得，用它可以刻画分割区域的特征。从特征上来说，需要假定某些“好的分割”，这些“好的分割”既无法被证明也不是通过提供的数据获得的。
      对分割算法的评估很明显是非常重要的，但是目前没有一种一致可接受的方法。已有的监督式方法是劳动密集的且性能也有局限性；而非监督式方法通常情况下是在人工合成的数据上进行验证，需要对图像特点具有一定的限制，这在真实世界的应用中往往是无法满足的。

  未完待续