图象分割方法讲解概要.ppt

图像理解的基本构成 图像分割的基本思路 从简到难，逐级分割； 控制背景环境，降低分割难度； 把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上。 典型文章： Image Segmentation by Data-Driven Markov Chain Monte Carlo,  Z.W. Tu and S.C. Zhu,  IEEE Trans on Pattern Analysis and Machine Intelligence, vol.24, no.5, pp. 657-673, May, 2002. Image parsing: unifying segmentation, detection and recognition  Z.W. Tu, X.R. Chen, A.L. Yuille, and S.C. Zhu,  Intl J. of Computer Vision, 63(2), 113-140, 2005. Parsing Images into Regions, Curves, and Curve Groups Z.W. Tu and S.C. Zhu,  Intl Journal of Computer Vision, (Accepted). 图像解析（Image Parsing） 目标： Parsing image into several parts, each parts modeled one of the specified models with different models Models can be high level models such as face and text, or low level models such as region and curve Bayesian Framework Each model has a prior probability； Each model has a likelihood probability w.r.t. Image Maximize the posterior probability which can be rewrite as the productions of prior and likelihood of each model Markov Chain Monte Carlo Sample the posterior probability by reversible jumps on Markov chain 基本方法 1) 通过区域均匀性和类不确定性最小化求取最优阈值 (MHUE)（P.K. Saha, et al, T-PAMI, 2001） 7. 综合考虑边缘和区域的方法 假设A： 在任何具有模糊边界的图像中，在利用最优阈值得到的区域划分中，类不确定性高的象素出现在物体的边缘附近。 a) 基于灰度的类不确定性的确定 设 Fo,t 和 Fb,t 分别是阈值为 t 时的物体和背景象素集。假设物体和背景的灰度都服从Gaussian 分布，c 为一个象素，C为图象空间，| X | 表示集合X元素个数。设 设 pt (g) 是 c ＝ g的概率，即 所以，由Bayes公式，具有灰度g的象素 c 属于物体的后验概率为 设 po,t (g) 和 pb,t (g) 分别是作为物体和背景上的象素 c ＝ g 的概率，即 所以，若已知象素 c 具有灰度 g，则在阈值为 t 时对 c 分类的不确定性可由 Shannon 熵表示，即 而具有灰度g的象素 c 属于背景的后验概率为 物体和背景上的象素 c ＝ g 的概率的定义 b) 区域均匀性的确定 这里，c、d 是两个象素， 确定 c 与 d 是否属于同一个区域。 大，则表示 c 与 d 属于同一个区域。所以 越大，则表示 c 及其邻域越均匀。 注意， 的计算与阈值 t 的选取无关。 C、 的定义可参阅P.K. Saha, et al, T-PAMI, 2001 c) 最优阈值的确定 d) 实验结果 (c), (f) 为MHUE 方法所得的分割结果。图 (g)为MHUE中的类不确定性。 e) 定量比较实验结果 三个不同的切片图，且所加 Gaussian 噪声自左至右递增。 (a), (e), (i) 分别对应上页三图的无噪声原图。第三列是本文方法的分割结果，第四列为“最优”阈值的分割结果。 和“最优”阈值所得结果相比，MHUE的结果最大误差为0.2%，平均误差为0.13% ! 作为一种阈值分割方法，MHUE方法的参数很少 (只有一个，在计算区域均匀性时用到)，而且其结果似乎也很难再被其他阈