![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图割
文章平均质量分 64
a-娇
这个作者很懒,什么都没留下…
展开
-
LazySnapping
这个算法是交互式图像分割算法的改进,方法原理和上一篇写的很像,也需要用户标记出一些背景和前景的像素点种子,最大的改进之处在于它建图是的顶点不再是基于像素,而是基于一个个小的区域,我们可以采用分水岭算法和k-meas算法等方法先对图像进行预处理,将图像分割成很多的小区域,然后以这些小区域为顶点,相邻区域建立边,构建一个图,再采用s/t算法进行分割。这篇论文提出的方法主要分为两步:1、对象标记;2、边原创 2013-12-13 16:29:54 · 3777 阅读 · 0 评论 -
交互式图像分割
最近看了Yuri Y.Bpoykov的>这篇文章,还是来写个总结吧。 简而言之,就是通过用户来对图像的背景和目标作一些标记,利用这些已有的标签(“object”或"background")来给未知标签的像素分配其概率最大的标签,意思就是对于未知标签的像素,它若与已标记“object”的像素点的相似度大于与标记为“background”的像素点的相似度,则它就可以获得“object”标签,反之原创 2013-12-13 11:01:34 · 4112 阅读 · 0 评论 -
GrabCut总结
用户只需要用一个矩形框将对象框起来,算法会自动将对象抽取出来 步骤: 1、将方框里面的像素标记为(全部标记为前景),将方框外的像素标记为(标记为背景); 2、为中每个像素分配高斯混合模型分量(每个高斯混合模型有k个高斯分量),可采用k-meas算法; 3、(第二步为每个高斯模型添加了新元素)训练高斯模型,得到优化的参数; 4、建图; 5、s/t分原创 2013-12-14 17:07:46 · 4350 阅读 · 1 评论 -
hierarchical segmentation
一、目的:由于边界检测器检测出来的边界大多时候都不是封闭的,因此,我们要在确保边界质量的基础上修复边界。 二、大概思想:在之前边界检测器检测出的轮廓基础上,使用层次分割。首先使用一种新的分水岭变换——OWT,产生一系列初始的小区域,然后我们利用这些小区域的边界建立一个超度量等值线图(UCM),OWT-UCM可以看做是将轮廓换成轮廓层次树的一种方法。整个过程如下图: 第1幅图:原图;原创 2014-02-26 11:23:03 · 4639 阅读 · 8 评论 -
SLIC segmentation algorithm
1、我们用一个5维的向量[l,a,b,x,y]来表示每一个像素,[l,a,b]为像素颜色向量,[x,y]为像素位置,然后我们根据像素的颜色相似度及距离来产生超像素。上图step1中,以网格间隔为s(s=sqrt(N/K))初始化了K个簇中心; 2、在n*n的区域里,计算出最小梯度位置,将簇中心移至到这个位置; 梯度计算: I(x,y)是(x,y)位置原创 2014-02-26 16:10:39 · 2678 阅读 · 0 评论 -
医学图割方法
写这篇文章,主要是为了给自己来个总结,也方便以后自己回顾,顺便和大家一起学习。 随着医院图像的数量大量增加,用电脑进行图像的处理和分析成了一种必要,图像分割领域的方法也很多,各有优异,今天来说说医学图像分割常用的各种方法吧。 我们将分割的方法分为8类:(1)阈值分割 (2)区域增长 (3)分类器 (4)聚类方法 (5)马尔科夫随机场模型 (6)人工神经网络原创 2014-06-25 14:37:18 · 2115 阅读 · 0 评论