[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....
尽我学者之力,其余不必多问。