第1部分 概述（深度学习之前）

----------------------------------------------------------------------------------------------

一、图像分割

图像分割定义：所谓图像分割是根据灰度、颜色、纹理和形状等特征把图片划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。

经典的数字图像分割算法一般是基于灰度值的两个特性之一：不连续性和相似性。

1、基于阈值、基于边缘

（1）基于阈值的分割方法

阈值法的基本思想是基于图像的灰度特征来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，最后将像素根据比较结果分到合适的类别中。

• 设定某一灰度阈值T，能讲图像分成两部分：大于T的像素群和小于T的像素群定一个合适的阈值就可准确地将图像分割开来。
• 算法的关键是确定合适的阈值。

（2）基于边缘的分割方法

所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。

基于边缘检测的图像分割方法的基本思想是先确定图像边缘的像素，然后再把这些像素连接在一起构成区域边界。

2、基于区域、基于图论

（1）基于区域的分割方法

此类方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。

（2）基于图论的分割方法

此类方法把图像分割问题与图的最小割（mincut)问题相关联。首先将图像映射为带权无向图，图中每个节点对应于图像中的每个像素，每条边的权值表示相邻像素之间在灰度、颜色或纹理方面的非负相似度。

（3）区域生长法

• 区域生长是根据一种事先定义的准则将像素或者子区域聚合成更大的区域的过程，并且要充分保证分割后的区域满足以下条件：内部联通、互斥，且各个子集的并集能构成全集。
• 区域生长的条件实际上就是根据像素灰度间的连续性而定义的一些相似性准则，而区域生长停止的条件则是一个终止规则。
• 算法定义了最大像素灰度值距离，当待加入像素点的灰度值和已经分割好的区域所有像素点的平均值的差的绝对值不大于最大像素灰度值距离时，该像素点加入到已经分割到的区域。相反，则区域生长算法停止。

（4）分水岭算法

• 分水岭算法是一种图像区域分割法，分水岭算法可以将图像中的边缘转化成”山脉“，将均匀区域转化为”山谷“，这样有助于分割目标。
• 在分割过程中，它会跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点相互连接起来构成一个封闭的轮廓。

   分水岭算法常用的操作步骤：

• 彩色图像灰度化，然后再求梯度图
• 最后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线。

（5）前景背景分割

• 前景一般包含物体
• 需要交互提供初始标记

（6）Graph Cuts分割

 

二、人脸检测

Haar-like特征+级联分类器

 

三、行为检测

1、HOG+SVM

 

2、DPM