图像分割基本知识1

高斯滤波器的构造

$$g(x,y)=\frac{1}{\sqrt{2\pi \sigma }}exp(\frac{-(x^2+y^2)}{2{\sigma }^2})$$
       式中，标准差$\sigma$决定着滤波器的平滑程度，$\sigma$越大滤波器的平滑程度就越好。同时，平滑尺度$\sigma$ 的选取也应考虑到目标的尺寸。一般情况下，小目标在图像中所占的比例为总像素的0. 2%～0.6%。对于$240\times 320$的图像，选取平滑尺度$\sigma$ 的值为图像宽度的0.02 倍，即$\sigma =6$，模板大小为$3\times 3$。

感兴趣区域阈值threshold设置

       图像显著性：即利用图像中目标像素相较于背景像素强度更高的特性，通过计算得到显著图，并且显著性的计算复杂度低、速度快，不需要提前训练。
       一般情况下，窗口显著度值最高的窗口就是目标所在的位置。
       ROI区域的提取缩小了目标检测范围，加快了后续检测算法的运行效率。
       阈值的取值将决定最终得到的ROI区域<\font>。

• 如果阈值取值太小，会导致得到的ROI区域过大，甚至整幅图像都成为ROI区域，显著性模型将失去意义;
• 阈值取值太大，会导致得到的ROI区域过小，甚至消失，无法完整地包含目标，影响后续目标检测。同时，针对不同的图像，计算得到的显著图S是不同的，阈值的取值也应是不同的。

       因此，需要设置一个合适的自适应阈值，实现ROI区域的提取。显著图S中只有目标及其邻域内的值较高，而其他位置的值都较低。因此，可以利用显著图S 的均值及标准偏差来设置阈值。自适应阈值的算式为$$threshold=\overline{S}+k\cdot {\sigma }_s$$式中: S-表示显著图S 的均值; ${\sigma }_s$表示显著图S 的标准偏差; k 是一个平衡参数。

衡量算法的有效性

       为了更加客观地反映算法的检测效果，定义检测率( $D_R$) 和误警率( $F_A$) ，定量地评价算法的性能。$D_R$和$F_A$的算式为:
$$\{\begin{array}{ll}{D}_R=\frac{探测到的目标数}{目标总数}\times 100\%& \\ F_A=\frac{误警次数}{目标总数}\times 100\%& \end{array}$$       在图像测试库中，分别计算各算法的检测率与误警率。来比较算法对噪声具有一定的鲁棒性，并且在检测性能上的影响。

图像的局部熵

       图像局部熵定义如下，记当前图像( $f_{u,v}$) 尺寸为$N\times N$，其中参考点$(u,v)$ 确定一个$M\times M$尺寸的子域。此子域中的像素灰度记为$f_{u+i,v+j}$，定义
参考点$(u,v)$ 处的局部熵$H(u,v)$ 为:
$$H(u,v)=-\sum _{j=0}^{M-1}\sum _{i=0}^{M-1}{p}_{i,j}(u,v)lg{p}_{i,j}(u,v)$$$$p_{i,j}(u,v)=\frac{f_{u+i,v+j}}{{\sum }_{q=0}^{M-1}{\sum }_{p=0}^{M-1}{f}_{u+p,v+q}}$$其中，$0\le (u,v)\le N-M+1,0\le (i,j)\le M-1$ 。这里定义的$H(u,v)$是完整图像中的一个$M\times M$ 局部子域熵值，故称之为局部熵( Local Entropy) 。

图像的均匀度

       因Shannon定义的熵是信息论中关于信息量的度量，不是专门为图像处理而定义，不能反映图像中的细节，包括几何形态，像素在空间分布的状态等。
       鉴于其局限性，算法引入图像局部均匀度的判断，以弥补其缺陷。设邻域f有$M\times M$个像素， { 1 , 2 , ⋯ L } \{ 1,2, \cdots L\} {1,2,⋯L}示图像的灰度值集合，$f_c$表示灰度值为c 的像素数量，p表示邻域f 中心点的灰度值，当权值取k 时，图像的均匀度J，记为:
$$J=\frac{{\sum }_{c=p-k}^{p+k}{f}_c}{M\times M}$$