图像分割
- 图像处理的两个主要目的:产生更适合人类视觉观察和识别的图像;希望计算机能够自动对图像进行识别和理解,图像分割就是最基本的方法之一
- 按照一定原则,将图像分割成若干个互不相交的小区域
旨在将图像中有意义的特征区域或者我们需要的特征区域提取出来
经典的图像分割方法
- 基于阈值的分割方法:基于图像的灰度特征计算一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值相比较,最后根据比较结果分到相应的类别中
- 基于边缘的分割方法:需要进行边缘检测,基本的依据就是边缘的梯度最大
基于图论的分割方法:基本思想是移除特定的边,使得类内相似度尽可能小,类间相似度尽可能大
图像分割中的机器学习算法
SVM和Random Forest:这些算法本身可改进的空间已经基本不大了,利用这些机器学习算法进行图像分割最重要的一点其实还是要首先找到合适的feature;提取feature的时候需要根据像素点及其周围的邻域组成的像素块(patch-wise)来进行特征提取,这样每个区域都可以提取出一个特征向量,然后利用SVM或者Random Forest对这些特征进行分类,这样得到的是每个像素点的分类结果,最后将这些像素点的分类结果排成一张图片,这样就实现了图像分割的过程
- 传统机器学习算法的优缺点:优点是速度快,参数少,抗噪能力强;缺点是依赖于人工提取特征
那么针对这些缺点,一个更好的选择就是利用深度学习来进行自动的特征提取(如下示意图)
利用深度学习进行图像分割
patch-wise classification: The standard convolutional networks (CNNs)
pixel-wise classification: The fully convolutional networks (FCNs, FCN+CRF)
全卷积神经网络(FCN)
FCN是一个end-to-end的过程,输入是一张图片,输出也是一张图片;另外就是它的输入图片的尺寸不受限制
- 全连接神经网络将CNNs的全连接层换成了反卷积层