Mean-shift超像素分割

超像素概念：超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構成的圖像塊。是通過圖像分割獲取的小區域，但是超像素中往往存在過分割。

現有的超像素分割方法：

l? 基于圖論的超像素分割方法：

1.????????Normalized cuts算法--該算法的特點是產生的超像素較為規則，但其邊緣貼合度較差，計算速度較慢，尤其不適用于大尺寸圖像分割。

l? 基于梯度上升的超像素分割方法：

1.????????watershed算法--分水嶺算法計算速度快，但過分割現象嚴重，且超像素邊緣貼合度和緊密度較低。

2.????????SLIC(simple linear iterative clustering)算法—處理速度快，超像素大小均勻，緊密的好，但是如果為了后續的超像素聚合效果并不好。

3.????????mean-shift算法--抗噪性好，邊緣貼合度好，生成的超像素極不規則。

超像素的應用：

1）有利于圖像局部特征的提取和圖像結構信息的表達;

2）利于降低處理對象規模和后續處理的計算復雜度。

Mean-shift適用于處理什么樣的圖像？

這個應該從mean-shift的原理來理解：對灰度圖像如下圖來說，可以看做是分布在（X,Y,DN（灰度））三維空間的數據點。假如我們以這些數據點中的一點為球心做一個單位體積的球，并求球中數據的概率密度最大值，球心從最初的一點變為概率密度最大值。如此反復，直到球心位置不再變化，這一點又叫模態點。如此，所有能移動到同一個模態點的數據點聚集成一個對象。

由此可知均值漂移的過程中需要有概率密度的變化，而對下圖來說我們希望的是將不同的紋理分成不同的區域，但是對最左邊的斑點的紋理來說，灰度值只有255和0，沒有概率密度的梯度存在。所以當我們把三維球的空間半徑設置過小時根本不能將這一區域分為一個區域，即使半徑設置很大效果也不好如右圖所示。

所以說，mean-shift方法更適用于自然圖像，也就是說在灰度上有梯度變化的圖像。

Mean-shift濾波后的處理：

l? 用mean-shift方法進行平滑，把收斂到同一點的起始點歸為一類,然后把這一類的標號賦給這些起始點,這其實也是一種聚類方法。

l? 濾波之后的圖像可能出現一些未被平滑掉的小區域、或者多連通區域等，逐點尋找未標記的區域，若這個區域太小與相鄰的區域合并。

l? 畫出邊界。

總結

以上是生活随笔為你收集整理的Mean-shift超像素分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。