图像分割与对象跟踪综述.ppt

图像分割与对象跟踪综述 图像分割与跟踪 静止图像分割 边缘检测算法 阈值分割法 对灰度图像通过阈值，对像素分类 区域生长分割法 通过一系列种子点，根据某种生长或相似性准则进行区域生长 坐标映射分割法 从二值化图像中提取目标，大大降低了计算复杂度。 基于数学形态学的分割 基本思想是：用一定形态结构的结构元素去度量和提取图像中的对应形状，以达到对象分析处理的目的。 方法有分水岭分割方法。 基于特征空间的聚类算法 是一种无监督的统计算法，不需要训练样本，通过迭代的执行分类算法，提取各类的特征值。 方法有： 基于小波变换的分割技术 通过小波变换将目标图像进行二维小波分解，分解为不同频带的子图，得到相应的小波系数。这些小波系数即是对图像总体和细节特征的表征。小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性。 利用神经网络的分割技术 将图像分割问题作为一个函数最小化问题来处理。 主要思想是：利用已知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理和识别。 优点：系统具有鲁棒性、并行性、实时性 运动图像分割算法 基于空间域的图像分割 利用图像空间信息将图像分割成不同的区域 方法有： 基于轮廓的分割算法 基本思想是： 基于区域的分割算法 基本思想是：根据图像数据特征将图像空间划分为互不重叠的区域，从而达到分割的目的。 基于时间域的图像分割 利用相邻帧之间的相关性，对图像中的像素进行相关估计，根据像素间运动矢量的不同实现运动图像的分割。 方法 结合时空信息的图像分割 区域跟踪 通过在后续帧中估算空间分割，得到区域的运动矢量或区域内像素的运动频率来实现 区域合并 利用跟踪阶段得到的运动矢量或者运动频率，根据相似性规则将相关区域合并成对象。 基于知识的图像分割 利用已知的先验知识和统计特性，对运动目标进行检测，分割，提取。 半自动分割 半自动分割算法： 全自动分割 全自动分割 运动分割 研究光流场，从序列图像中近似计算运动场。 变化检测 变化检测：也称帧差技术，通过当前帧和参考帧的帧差检测物体，与时空联合法相似，不同的是变化检测法将检测到的运动信息作为分割前景对象的主要线索。 特点是：计算速度快，实时性好，但对噪声太敏感，分割精度没有保证 基于背景估计的分割 利用相邻帧图像估计视频中不变的背景，从而提取当前帧中非背景像素的集合，完成运动图像分割。 特点：对有复杂背景的图像分割效果好，但对运动目标的检测能力低。 新的图像分割方法 近些年随着一些新技术的出现和各种理论的不断发展与完善，出现了一些新的运动图像分割方法： 支持向量机算法 基本思想是: 首先通过非线性变换将输入空间变换到一个高维空间, 然后在这个新空间中求取最优线性分类面, 而这种非线性变换是通过定义适当的内积函数实现的。支持向量机求得的分类函数形式上类似于一个神经网络, 而最终的判别函数中实际只包含与支持向量的内积和求和, 因此识别时的计算复杂度取决于支持向量的个数。 贝叶斯决策理论 基本思想是: 已知类条件概率密度参数表达式和先验概率, 然后利用贝叶斯公式转换成后验概率, 最后根据后验概率大小进行决策分类。在分类问题中, 如果要避免误判, 自然要寻找一种判决规则使误判概率(即误差率)最小化。在最小误差分类时常用极小化极大化准则和Neyman-Pearson准则来完成分类。 遗传算法 遗传算法是一类可用于复杂系统优化的具有鲁棒性的有哪些信誉好的足球投注网站算法 。遗传算法是一种迭代式的优化算法, 所以用于分割时常用来帮助确定分割阈值。 有些学者在遗传算法的基础上, 提出用于图像分割的选取最优阈值的算法, 通过自动调节目标和背景之间的交叉概率和变异概率, 克服了收敛性差和过早发生的问题。 基于模糊集理论的分割方法 目前, 模糊集理论在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合, 形成一系列的集成模糊分割技术, 例如模糊聚类、模糊阈值、模糊边缘检测技术等。 网络模型 依据Delaunay三角形法则将图像特征点构造成网格，通过最小化目标函数将网格相符合图像特征的位置变形，得到运动物体。 缺点是：计算复杂度大。 Snake模型 定义为内部能量和外部能量之和。 区域跟踪（1） 利用区域的时间相关性实现对象的后续帧跟踪。 区域跟踪（2） 边界跟踪（1） 边界跟踪（2） 反应曲线的弯曲度与平滑度 反应图像的梯度、纹理等特征 通过最小化能量函数让曲线向图像的某些特征位置移动。缺点是：常规的Snake模型的初始轮廓值需要接近物体真实边界。 Gu提出一种基于区域分类的对象跟踪方法。 将下一帧图像分割成灰度均匀的区域 将分割的区域向后投影到已产生对象的帧（关键帧），并进行运动估计。 若补偿区域属于运动对象的面积大于背景的面积，则该区域属于运动对象，