基于最大相似度区域混合的图像分割方法.ppt

《基于最大相似度区域混合的图像分割方法.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于最大相似度的区域混合的图像分割方法——Interactiveimagesegmentationbymaximalsimilaritybasedregionmerging（译者：2111301155李林钢）摘要快速而有效的图像分割是机器视觉和物体辨认中的一项重要的任务。由于全自动分割自然图像往往会非常困难，所以比较好的办法就是去做一些带有少量用户输入的方案。本文介绍了一种基于区域混合的交互使图像分割方法，使用者仅需用笔划（既标记）粗略地标出物体和背景的位置和区域；并提出了借助标记来指引合并过程的新的基于最大相似度的区域混合机制。摘要即当Q的邻近区域中，存在跟Q有着最大相似度的区域时

2、，这个区域R就被Q合并了。这个提出的方法首先会自动合并被meanshift（均值漂移）算法初次分割的图像，然后用标记所有未被用户手动标记的背景和物体的区块的方法，有效地提取出物体的轮廓。这里的区域混合的过程是根据图像的内容自适应的，无需事先设置相似性阈值。通过进一步的实验，结果显示了本设计能够可信赖地将物体轮廓从复杂的背景中提取出来。1介绍用户粗略标出的物体和背景的位置被称为“标记”标记可以是一些简单的笔划，如下图绿线和蓝线。1介绍然后将会计算不同区块之间的相似度；并以下文给出的最大相似性原则为基础，借助用户给出的标记，实现对这些区块的合并；合并以后，即实现了将物体从背景中分离出来的目

3、的，如下图的范例所示。2.1区块再现和相似性计算方法相对于其他特征来说，颜色特征是最具有鲁棒性的。这是因为位于需要提取的物体的的区块中，大小和形状是多变的，而不同区块中的颜色则有高度的相关性。于是，这里的区块的特征表现采用了颜色直方图的形式。经过对图像的meanshift（均值漂移）后，我们有了很多可用的图像区块（右图），需要用一些特征进行表现，并对区域合并的方法进行定义。2.1区块再现和相似性计算方法这里用了rgb色彩空间，r、g和b分别被分为了16的等级（4位），总共占用了16x16x16=4096位。可设HistR为区块R的归一化颜色直方图，并在区块Q和R之间定义一个相似度判断函

4、数ρ(R,Q)，以供不同区块间的比较，有：2.1区块再现和相似性计算方法式中HistuRHistuQ表示R区块直方图和Q区块直方图（自变量为颜色，因变量为出现频率）中对于第u个颜色的数据。这也是这些直方图对应向量（下图）的点乘。ρ值越大，表示相似性越高。2.2物体和背景的手动标记这个图像分割系统中需要用户对物体和背景进行概念性的标记，这些标记的形式可以是直线、曲线或者是其他一些自由的笔触。不过只有少量的部分需要用户的标记，以保持系统的鲁棒性。在标记以后，图像将分为三个部分：标记过的物体部分M0、标记过MB的背景部分和未标记的部分N。2.3基于最大相似性的合并规则对于所有用户未标记到的部

5、分需要用到基于最大相似性的合并规则来对区块进行合并，设Q是R的相邻区块，用表示Q的一系列邻近区域，当R和Q的相似度在Q当中为最大时，就将R和Q合并，即这个算法用了“最大值”，避免了阈值的给出，同时相关性的算法对噪声和不同的变化具有鲁棒性。2.4区块合并的过程首先，我们试图将合并已标记的背景和它们的临近区块。令所有B∈MB的临近区块是SB={Ai}i=1,2,...,r，所有Ai∈MB的临近区块是SAi={SAij}j=1,2,...,k，可知B∈SAi。然后计算Ai和SAi各区块的相似性，当满足条件时就将B和Ai合并到B中。2.4区块合并的过程随后，对于所有的未标记的区

6、块，令所有的P∈N的临近区块是Sp={Hi}i=1,2,...,p，所有Hi∈MB且Hi∈M0的临近区块是SHi={SHij}j=1,2,...,k，可知P∈SHi。然后计算Hi和SHi各区块的相似性，当满足条件时就将P和Hi合并到P中。2.4区块合并的过程这两步将会重复交替执行，直到只剩两个区块，即只剩下背景和物体的区域时，即实现了基于用户区域画线的物体区域的提取目的。不同标记的比较谢谢！