计算机视觉中的图切割

编辑
本词条由“匿名用户” 建档。
如同在计算机视觉领域的应用,图切割优化可以被用来有效地解决各种低层次的计算机视觉问题(早期视觉),如图像平滑、立体对应问题、图像分割、物体共同分割,以及其他许多可以用能量最小化来表述的计算机视觉问题。许多这样的能量最小化问题可以通过解决图中的最大流问题来近似(因此,根据最大流最小切割定理,定义图的最小切割)。在计算机视觉中此类问题的大多数表述中,最小能量的解决方案对应于解决方案的最大后验估计。尽管...

计算机视觉中的图切割

编辑

如同在计算机视觉领域的应用,图切割优化可以被用来有效地解决各种低层次的计算机视觉问题(早期视觉),如图像平滑、立体对应问题、图像分割、物体共同分割,以及其他许多可以用能量最小化来表述的计算机视觉问题。许多这样的能量最小化问题可以通过解决图中的xxx流问题来近似(因此,根据xxx流最小切割定理,定义图的最小切割)。在计算机视觉中此类问题的大多数表述中,最小能量的解决方案对应于解决方案的xxx后验估计。尽管许多计算机视觉算法涉及到图的切割(例如,归一化切割),但图切割这一术语特别适用于那些采用xxx流量/最小切割优化的模型(其他图切割算法可被视为图的分割算法)。二元问题(如二元图像的去噪)可以用这种方法准确解决;像素可以用两个以上的不同标签标记的问题(如立体对应,或灰度图像的去噪)不能准确解决,但产生的解决方案通常接近全局最优。

计算机视觉中的图切割的历史

编辑

作为一种优化方法的图切割理论首次应用于计算机视觉,是由达勒姆大学的Greig、Porteous和Seheult撰写的开创性论文。AllanSeheult和BrucePorteous是当时达勒姆大学备受赞誉的统计学小组的成员,该小组由JulianBesag和PeterGreen(统计学家)领导,优化专家MargaretGreig是达勒姆大学数学科学系有史以来xxx位女性员工,值得注意。在平滑噪声(或损坏)图像的贝叶斯统计背景下,他们展示了如何通过最大化通过相关图像网络的流量,准确地获得二进制图像的xxx后验估计,其中涉及引入一个源和汇。因此,该问题被证明是可以有效解决的。在这个结果之前,近似的技术,如模拟退火(由Geman兄弟提出),或迭代条件模式(由JulianBesag提出的一种贪婪算法)被用来解决这种图像平滑问题。Greig、Porteous和Seheult的方法被证明在一般计算机视觉问题中具有广泛的适用性。

机算机视觉定位检测分割

Greig、Porteous和Seheult的方法通常被反复应用于一连串的二元问题,通常会产生接近最优的解决方案。2011年,C.Couprie等人提出了一个通用的图像分割框架,称为PowerWatershed,该框架在一个图形上最小化一个来自[0,1]的实值指标函数,由用户种子(或单项)设置为0或1来约束,其中在图形上指标函数的最小化是针对一个指数而优化的{displaystylep=1}时,PowerWatershed通过图形切割进行优化。时,PowerWatershed通过图形切割进行了优化,当{displaystylep=0},PowerWatershed通过图形切割进行优化。力量分水岭是通过最短路径优化的。{displaystylep=2}时,PowerWatershed由最短路径优化。是通过随机步行者算法优化的,而{displaystylep=infty}是通过分水岭(图像处理)优化的。是由分水岭(图像处理)算法优化的。这样,PowerWatershed可以被看作是图形切割的一般化,它提供了与其他能量优化分割/聚类算法的直接联系。

图像的二元分割

编辑

符号图像:x∈{R,G,B}能量函数:E(x,S,C,λ){displaystyleE(x,S,C,lambda)}。其中C是颜色参数,λ是相干参数。

现有的方法

编辑

标准图形切割:优化分割的能量函数(未知的S值)。迭代图形切割:xxx步使用K-means优化颜色参数。第二步执行通常的图形切割算法。这两个步骤递归重复,直到收敛。动态图形切割:允许在修改问题后更快地重新运行算法(例如,在用户添加新种子后)。能量函数Pr(x∣S)=

内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/174513/

(1)
词条目录
  1. 计算机视觉中的图切割
  2. 计算机视觉中的图切割的历史
  3. 图像的二元分割
  4. 现有的方法

轻触这里

关闭目录

目录