[读书笔记] 计算机视觉与算法应用 Chapter 5.1 活动轮廓

• 图像分割的任务是寻找“相互匹配”的像素组，即统计学中的聚类分析。
• 早期的方法倾向于采用区域分裂与归并，对应于聚类文献中的区分式和聚集式。
• 更新的算法是优化某种全局准则，例如区域内部的一致性和区域间的边界长度或者不相似度。
• 伯克利分割数据集与基准集(Berkeley Segmentation Dataset and Benchmark)

5.1 活动轮廓

确定边界曲线的三种方法：

• “蛇行”：一个能量最小化的二维样条曲线，向着诸如强边界这样的图像特征发展。
• 智能剪刀：允许用户实时地勾勒一条紧附在物体边界上的曲线
• 水平集：逐步演化某个特征函数的零点集形成的曲线——易于改变拓扑结构和引入基于区域的统计特性。

这三种都是活动轮廓——这些边界检测器都在图像和可选的用户指导约束下，迭代地移向其最终解。

5.1.1 蛇行

• 蛇行即3.7.1中1D能量最小化样条的二维扩展情况。

     

• 均匀采样离散化形式：

       

• 除了上面的内部样条能量，蛇行还同时最小化外部的基于图像的和基于约束的势函数。
• 基于图像的势函数：

              

        线条项吸引蛇行到暗的脊，边缘项吸引向强梯度，端点项吸引到线条端点。实践中大多只用边缘项：

        

         或者

         

• 基于约束的势函数：对锚点的吸引力和火山排斥力。
• 蛇行能量最小化：动态规划、智能剪刀、GrabCut...
• 旅行商问题：

        

            每个城市由以每个旅行点为中心的高斯混合生成：

            

              为旅行点f(i)和城市位置d(j)之间的欧式距离。

              对应的数据拟合能量(负对数似然度)是：

              

• 样条和形状先验

        今天先写到这里吧....我要去做毕设了....

           

 

转载于:https://www.cnblogs.com/lifengfan/p/5419651.html