第五章 纹理(Texture)检测
图形形状
分类与分割
合成
1.发现模式
2.区域之间模式关系
纹理表示
在之前的知识中,我们可以对图像进行x、y方向上利用高斯偏导核进行处理,之后离散统计强度
然后我们可以得到其x,y方向上投影的分布
分布区域离得越近表示其材质越接近
使用2维空间来描述图片内容
纹理特征的尺度特性:
平均表示法
对给定的图片进行纹理检测,想要求得其尺度。如果检测框检测在2维图像上的x,y映射相似时选用其中的尺度作为图像尺度。下图就是使用38维图像空间描述
我们可以使用多个滤波来对一个输入图像进行处理,得到的也是多维空间尺度
常见滤波器:
适用于边缘(Edges)、条形(Bars)图案、斑点(Spots)
特征值对梯度的影响
不同的卷积核对图像的作用效果也是不一样的
不同的卷积核对图像处理的结果不同
卷积神经网络输出的就是卷积核处理的响应图
纹理表示与卷积神经网络相似
不同的在于纹理表示是人为设计,卷积神经网络是机器学习之后的结果
分割
是一种自顶向上的方式(利用相似性进行连接),也就是分析像素底层
还有是自顶向下
另外还分为有监督和无监督的学习
Gestalt factors
实际用途:
聚类:把像素相似认为是同一个物体,然后把相似的像素聚合到一起
分割
语义分割:对分割的物体进行定义
实例分割:不仅说明分割的物体,还要说明其位置
对图像分割有灰度图和彩色图
灰度图只有一个通道
彩色图有RGB三个通道
所以如果想要知道两个物体是否为同一类物体
可以加入空间坐标
优点是可以分割实例
缺点是过分割
通常使用K-means方法
优点:
①通常是局部最优解缺点:
①需要设置K
②初始结果敏感
③只适用于球形聚类
Mean shift
本质就是找局部密集点的中心点或者局部密度最高点
过程:
1.确定中心
2.通过均值漂移滑到中心点
如果有多种群类那么就会分为多个种类,因为每个圆只会检索最近的群种
优势:
1.不需要聚类是球形
2.只需要设置检测窗口的大小
3.可以形成多种模式
4.噪点影响很小(最大影响就是噪点本身作为一个聚类)
缺点:
1.过分依赖设置的窗口大小
2.计算复杂(可以通过大窗口引导小窗口)
3.维度太高不太健壮(维度灾难)
图像分割
把点连接之后删除掉低相似性的、不相似的断开
相似性定义:
dist是指两点之间的距离
σ决定了所检测的半径
图割
标准图割会造成小点成为一类
最小分割(Minimum cut)
W(A,B)
寻找到A,B集合之间的最小距离然后断开相似性低的连接然后聚类
也就是W(A,B)越小越好
归一化分割(Normalized cut)
A,B是指A集合元素与B集合元素之间的联系,也就是连接边
A,V是指A集合与所有集合之间的联系
避免A,B两个其中是一个整体另外只是一个像素,所以A,B集合尽量大。解决孤立点问题
寻找A,B集合之间最小相似性,然后断开进行聚类
应用步骤:
1.每个像素表示成向量
2.选择一个L1计算相似点之间的距离
3.选定一个σ 计算出相似性
4.写出W矩阵
5.写出D矩阵
6.写出y