图像分割算法

㈠ 图像分割算法分为几类

从学术角度讲图像分割主要分成3大类，一是基于边缘的，二是基于区域的，三是基于纹理的。由于基于纹理的也可以看成是基于区域的，所以有些专家也把分割方法分成基于边缘和基于区域两大类。
选择算法的时候主要参考你要分割的图像样本的特点。
如果图像的边界特别分明，比如绿叶和红花，在边界处红绿明显不同，可以精确提取到边界，这时候用基于边缘的方法就可行。但如果是像医学图像一样，轮廓不是特别明显，比如心脏图像，左心房和左心室颜色比较接近，它们之间的隔膜仅仅是颜色比它们深一些，但是色彩上来说很接近，这时候用基于边缘的方法就不合适了，用基于区域的方法更好。再比如带纹理的图像，例如条纹衫，如果用基于边缘的方法很可能就把每一条纹都分割成一个物体，但实际上衣服是一个整体，这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体。
不过总体来说，基于区域的方法近些年更热一些，如Meanshift分割方法、测地线活动轮廓模型、JSEG等。

㈡ OCR图像文字识别图像分割算法

对于文字ocr中的分割步骤应用的算法一般是个综合体，不是像你说的单一某种算法可完成的
比如不粘连的 可以用连通检测分割， 粘连的一般会用投影分割加验知，粘连厉害的可以用像滴水法等

㈢ 图像分割

图A的按照图B的直方图进行规定化也只是近似规定化，就是如何将图A中个像素值的灰度值变化得到一幅新图，该图的灰度值按照图B直方图的规律进行分布。这很难得到严格遵守图B的直方图分布规律。这种逼近有很多种算法。

这个就可以了：演示其中一张图
%规定化直方图
clear all
clc
A=imread('girl.png'); %读入图像
A=rgb2gray(A);
imshow(A) %显示出来
title('输入图像')
%绘制直方图
[m,n]=size(A); %测量图像尺寸
B=zeros(1,256); %预创建存放灰度出现概率的向量
for k=0:255
B(k+1)=length(find(A==k)); %计算每级灰度出现的概率，将其存入B中相应位置
end
figure,bar(0:255,B,'g'); %绘制直方图
title('原图像直方图')
xlabel('灰度值')
ylabel('出现概率')
axis([0,260,0,0.026])

S1=zeros(1,256);
for i=1:256
for j=1:i
S1(i)=B(j)+S1(i); %计算原灰度图累计直方图
end
end

S3=zeros(1,256);
for i=1:150
S3(i+80)=B(i);
end
S4=zeros(1,256);
for i=81:230
S4(i)=B(i)+S3(i);
end
counts=S4;

S2=zeros(1,256);
for i=1:256
for j=1:i
S2(i)=counts(j)+S2(i);
end
end; %"累计"规定化直方图

%对比直方图，找到相差最小的灰度级
S=zeros(256,256);
for i=1:256
for j=1:256
S(j,i)=abs(S2(j)-S1(i));
end
end
[Y,T]=min(S);

%确定变换关系，重组直方图
for j=1:256

H(j)=sum(B(find(T==j)));
end
figure,bar(0:255,H,'g') %显示规定化后的直方图
title('规定化后的直方图')
xlabel('灰度值')
ylabel('出现概率')
axis([0,260,0,0.03])

%显示规定图
PA=A;
for i=0:255
PA(find(A==i))=T(i+1); %将各个像素归一化后的灰度值赋给这个像素
end
figure,imshow(PA) %显示均衡化后的图像
title('规定化后图像')

㈣ 图像分割最好方法

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作比较，最后将像素根据比较结果分到合适的类别中。因此，该方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。

阈值法特别适用于目标和背景占据不同灰度级范围的图。图像若只有目标和背景两大类，那么只需要选取一个阈值进行分割，此方法成为单阈值分割；但是如果图像中有多个目标需要提取，单一阈值的分割就会出现作物，在这种情况下就需要选取多个阈值将每个目标分隔开，这种分割方法相应的成为多阈值分割。
2.基于区域的图像分割方法

基于区域的分割方法是以直接寻找区域为基础的分割技术，基于区域提取方法有两种基本形式：一种是区域生长，从单个像素出发，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域。
分水岭算法

分水岭算法是一个非常好理解的算法，它根据分水岭的构成来考虑图像的分割，现实中我们可以想象成有山和湖的景象，那么一定是水绕山山围水的景象。

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

㈤ 图像分割用什么算法好

我来回答，要根据具体情况来定！

朋友，以后要努力，去单位i不是每个人都想帮你！

㈥ 如何分析一个图像分割算法

论文阅读笔记：图像分割方法deeplab以及Hole算法解析
deeplab发表在ICLR
2015上。论文下载地址：Semantic
Image
Segmentation
with
Deep
Convolutional
Nets
and
Fully
Connected
CRFS.
deeplab方法概述
deeplab方法分为两步走，第一步仍然采用了FCN得到
coarse
score
map并插值到原图像大小，然后第二步借用fully
connected
CRF对从FCN得到的分割结果进行细节上的refine。
下面这张图很清楚地展示了整个结构：
然后这张图展示了CRF处理前后的效果对比，可以看出用了CRF以后，细节确实改善了很多：
deeplab对FCN更加优雅的处理方式
在第一步中，deeplab仍然采用了FCN来得到score
map,并且也是在VGG网络上进行fine-tuning。但是在得到score
map的处理方式上，要比原FCN处理的优雅很多。
还记得CVPR
2015的FCN中是怎么得到一个更加dense的score
map的吗？
是一张500x500的输入图像，直接在第一个卷积层上conv1_1来了一个100的大padding。最终在fc7层勉强得到一个16x16的score
map。虽然处理上稍显粗糙，但是毕竟人家是第一次将图像分割在CNN上搞成end-to-end，并且在当时performance是state-of-the-art，也很理解。
deeplab摒弃了这种做法，取而代之的是对VGG的网络结构上做了小改动：将VGG网络的pool4和pool5层的stride由原来的2改为了1。就是这样一个改动，使得vgg网络总的stride由原来的32变成8，进而使得在输入图像为514x514，正常的padding时，fc7能得到67x67的score
map,
要比FCN确实要dense很多很多。
但是这种改变网络结果的做法也带来了一个问题：
stride改变以后，如果想继续利用vgg
model进行fine
tuning，会导致后面filter作用的区域发生改变，换句话说就是感受野发生变化。这个问题在下图(a)
(b)中通过花括号体现出来了:
Hole算法
于是乎，作者想出了一招，来解决两个看似有点矛盾的问题：
既想利用已经训练好的模型进行fine-tuning，又想改变网络结构得到更加dense的score
map.
这个解决办法就是采用Hole算法。如下图(a)
(b)所示，在以往的卷积或者pooling中，一个filter中相邻的权重作用在feature
map上的位置都是物理上连续的。如下图(c)所示，为了保证感受野不发生变化，某一层的stride由2变为1以后，后面的层需要采用hole算法，具体来讲就是将连续的连接关系是根据hole
size大小变成skip连接的（图(c)为了显示方便直接画在本层上了）。不要被(c)中的padding为2吓着了，其实2个padding不会同时和一个filter相连。
pool4的stride由2变为1，则紧接着的conv5_1,
conv5_2和conv5_3中hole
size为2。接着pool5由2变为1,
则后面的fc6中hole
size为4。
代码
主要是im2col(前传)和col2im(反传)中做了改动
(增加了hole_w,
hole_h)，这里只贴cpu的用于理解：

㈦ 跪求图像分割snake算法详细解释

主要公式为曲线能量Esnake(公式1)；Esnake由内部能量Eint(公式2)及外部能量Eext(公式3)组成；而根据公式2内部能量Eint是由一阶导得到的平滑性约束(弹性绳子)二阶导得到的气球约束(刚性棍子)共同决定；根据公式3外部能Eext由梯度场决定(另一个分量不考虑)那么粗略表示为Esnake=Vs+Vss+Eext；可以认为当Esnake的能量达到最小时snake曲线和物体的边缘一致。

上面这些基本是每个论文上面都有的，下面照我的理解来讲。结合很多论文上用的那个U形物体，snake检测它的轮廓时，预先以一个圆形的像素圈套住它作为初始的snake线，可以取一定个数的点来离散化snake线,那么这时就可以求这条snake线与原始图像间的曲线能量Esnake了；Vs对应的是一阶的平滑性，可转化为snake线中相邻像素之间的坐标差;差值越大能量越大平滑性也就越差；Vss对应的是二阶的刚性；可转化为snake线中某点和它相邻的线上点间的法线方向的增长度量;Eext是梯度场能量，是由原本的灰度图决定的，可转化为snake中某点在灰度图中的邻域梯度。求出了这三个；再以一定的方式进行循环逼近那个使Esnake最小的snake线就找到了轮廓。
过奖了~我也是在研究中，你留个邮箱，我发个程序给你，看实例好理解点

㈧ 图像分割算法能对每个图像分割吗

我当时做过用k-means进行图像分割(当然是根据RGB在颜色空间中进行聚类 然后分割) 如果是指根据颜色对图像进行分割的话 k-means应该是应用最广泛的一种算法了吧(因为简单高效) 当然其他聚类算法也可行 不过还是一样 k-means的应用最广泛 而且也有很多文章在讨论滤波 降噪 把亮度 边界效应 等因素考虑进来使分割效果更好 从我们当时的图像分割的结果来看 k-means算法的性能还是不错的(实验样本采用的是UC Irvine Machine Learning Repository 主要测试了 CMU Face Images 和 Wine)

㈨ 什么是图像分割

1 数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。

基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。该方法将图像映射为带权无向图，把像素视作节点。利用最小剪切准则得到图像的最佳分割 该方法本质上将图像分割问题转化为最优化问题。是一种点对聚类方法。对数据聚类也具有很好的应用前景。但由于其涉及的理论知识较多，应用也还处在初级阶段。因此国内这方面的研究报道并不多见，本文将对图论方法用于图像分割的基本理论进行简要介绍，并对当前图论方法用于图像分割的最新研究进展进行综述，并着重介绍基于等周图割的图像分割的方法。

2 图像目标分割与提取技术综述

图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。

3 定义及分割方法
为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)
目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.