基于最大相似度区域混合的图像分割方法PPT课件

❖ 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。
❖ 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 = {SAi j }j=1,2,...,k，可知B ∈SAi。
❖ 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。
基于最大相似度的区域混合的 图像分割方法
——Interactive image segmentation by maximal similarity based region merging
（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。
You Know, The More Powerful You Will Be
结束语
感谢聆听
不足之处请大家批评指导
Please Criticize And Guide The Shortcomings
讲师：XXXXXX XX年XX月XX日
❖ 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
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
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
来的目的，如下图的范例所示。
2.1 区块再现和相似性计算方法
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。
❖ 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。
❖ 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，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。
❖ 然后计算Hiห้องสมุดไป่ตู้SHi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
写在最后
经常不断地学习,你就什么都知道。你知道得越多,你就越有力量 Study Constantly, And You Will Know Everything. The More