生活随笔
收集整理的這篇文章主要介紹了
图像处理（三）图像分割(1)Random Walks分割
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
基于隨機游走的圖像分割算法
基于隨機游走的圖像分割算法是屬于圖論分割方法中的一種，這個算法比較偏，網上的paper比較少，剛開始學習找個資料都不容易，其實這個算法的原理就是通過求解一個鄰接矩陣方程組，跟三維空間三角網格曲面的調和場求解有點類似。
1、算法開始前，先簡單描述一下隨機游走模型
一維隨機游走問題：設一個質點（隨機游走者）沿著一條直線運動，單位時間內只能運動一個單位長度，且只能停留在該直線上的整數點，假設在時刻t，該質點位于直線上的點i，那么在時刻t?+1，該質點的位置有三種可能：①以p?的概率跳到整數點i-1，②或以q的概率跳到點i+1，③或以r=1-p-q的概率繼續停留在點i?，由于每一步的結果都是獨立的，且每種情況發生的概率之和都為1，則該過程服從伯努利分布，稱為貝努利隨機游走過程。當?p=q=0.5時，即質點在下一時刻到達其相鄰點的概率是相等的，稱為簡單的隨機游走。
例子1：如下圖所示，假設某一時刻一質點位于刻度2的位置，質點左右游走的概率各為0.5，那么下一時刻該質點既有可能往左走，也有可能往右走，當質點運動到位置0、5位置時，質點停止運動，求質點到最后運動到位置5的概率？該問題便是隨機游走問題。
?
對于一維的簡單隨機游走問題，滿足：
? ?
,????
其中，x為當前的位置點，x-1、x+1為位置x的左右鄰接頂點。根據該公式，我們可以列出由n個未知數組成的n個方程組，可以發現該方程組的系數矩陣即為拉普拉斯鄰接矩陣。拉普拉斯矩陣是非滿秩矩陣，需要添加邊界約束條件，方程組才有唯一解。
如例子1的問題，設添加邊界約束條件：
則最后可以列出如下方程組，求出各點到位置5的概率。
2、基于隨機游走的圖像分割算法
①參考文獻：《Random?Walks?for?Image?Segmentation》
②文獻概述：隨機游走算法是一種基于圖論的分割算法，屬于一種交互式的圖像分割。它的分割思想是，以圖像的像素為圖的頂點，相鄰像素之間的四鄰域或八鄰域關系為圖的邊，并根據像素屬性及相鄰像素之間特征的相似性定義圖中各邊的權值，以此構建網絡圖，然后由通過用戶手工指定前景和背景標記，即前景物體和背景物體的種子像素，以邊上的權重為轉移概率，未標記像素節點為初始點，計算每個未標記節點首次到達各種子像素的概率，根據概率大小，劃分未標記節點，得到最終分割結果。
例子2：如圖下所示，圖中的小圓圈代表圖像上的每個像素點。L1，L2，L3三個種子點分別由用戶交互輸入，作為標記的種子點?，F要把圖像分割成對應的三部分。
?
③算法流程：
A.計算圖中任意一點vi與其各個鄰接頂點連接邊的權重:
其中，表示個像素點的灰度值、或紋理信息等參數；
B.對于圖中任意一點vi的概率，其滿足隨機游走概率公式：
其中，Ni為vi點的鄰接頂點（可為四鄰接頂點或八鄰接頂點），根據上式，可構建圖的拉普拉斯矩陣，然而拉普拉斯是非滿秩矩陣，需要添加邊界約束條件，才可根據方程組解出個各未知點的概率。也就是將圖像分割問題轉換為Dirichlet問題進行求解。
C.添加邊界約束條件：以已標記的K類頂點作為邊界約束條件，求解未知點到各個類的概率。如下圖所示：求解各未知點游走到L1的概率，則以，作為約束條件，可求得個未知點的概率，如下圖所示:
?
到達L1的概率
?
到達L2的概率
?
到達L3的概率
(5)?每一個未標記點，根據獲得的對?K?類標記的隸屬度值進行判斷，若未標記點到達第k類的概率最大，則將未標記節點vi判別為屬于類別k，完成分割。
最后貼一下自己寫的部分重要函數代碼：
[cpp]?view plaincopy
?? void?CRandomWalk::ComputeCoff()?? {?? ????int?height=m_image->Height;?? ????int?width=m_image->Width;?? ????m_A.resize(height*width,width*height);?? ????int?vn=height*width;?? ????typedef?Eigen::Triplet<double>?Tri;?? ????std::vector<Tri>?tripletList;?? ????for?(int?i=0;i<height;i++)?? ????{?? ????????for?(int?j=0;j<width;j++)?? ????????{?? ????????????int?idex=i*width+j;?? ????????????Eigen::Vector2i?nei[4]={Eigen::Vector2i(i-1,j),Eigen::Vector2i(i,j-1),Eigen::Vector2i(i+1,j),Eigen::Vector2i(i,j+1)};?? ????????????BYTE?*data=GetpData(Eigen::Vector2i(i,j),m_image);?? ????????????float?sumw=0;?? ????????????for?(int?k=0;k<4;k++)?? ????????????{?? ????????????????if?(nei[k][0]>=0&&nei[k][0]<height&&nei[k][1]>=0&&nei[k][1]<width)?? ????????????????{?? ????????????????????int?idexnei=nei[k][0]*width+nei[k][1];?? ????????????????????BYTE?*neidata=GetpData(nei[k],m_image);?? ????????????????????float?w=-GetGrad(data,neidata);?? ????????????????????w=exp(w/(2*50*50));?? ????????????????????sumw+=w;?? ????????????????????tripletList.push_back(Tri(idex,idexnei,w));?? ????????????????}?? ?? ????????????}?? ?????????????? ????????????tripletList.push_back(Tri(idex,idex,-sumw));?? ?? ????????}?? ????}?? ????m_A.setFromTriplets(tripletList.begin(),tripletList.end());?? ????m_B.resize(height*width);?? ????m_B.setZero();?? ?????? ?? }?? void?CRandomWalk::AddConstrain()?? {????? ????for?(int?i=0;i<m_front.size();i++)?? ????{?? ????????int?indexf=m_image->Width*m_front[i].y+m_front[i].x;?? ????????float?a=m_A.coeff(indexf,indexf)?+1;?? ????????m_A.coeffRef(indexf,indexf)=a;?? ????}?? ?? ????for?(int?j=0;j<m_back.size();j++)?? ????{?? ????????int?indexb=m_image->Width*m_back[j].y+m_back[j].x;?? ????????float?b=m_A.coeff(indexb,indexb)?+1;?? ????????m_A.coeffRef(indexb,indexb)=b;?? ????}?? ?? ????m_MatricesCholesky=new?Eigen::SparseLU<Eigen::SparseMatrix<double>>(m_A);?? ?? }?? void?CRandomWalk::Solver()?? {?? ????ComputeCoff();?? ????AddConstrain();?? ?? ?? ????Eigen::VectorXd?b=m_B;?? ????for?(int?i=0;i<m_front.size();i++)?? ????{?? ????????int?indexf=m_image->Width*m_front[i].y+m_front[i].x;?? ????????b(indexf)+=1;?? ????}?? ????Eigen::VectorXd?x=m_MatricesCholesky->solve(b);?? ?? ?? ????Eigen::VectorXd?bb=m_B;?? ????for?(int?j=0;j<m_back.size();j++)?? ????{?? ????????int?indexfb=m_image->Width*m_back[j].y+m_back[j].x;?? ????????bb(indexfb)+=1;?? ????}?? ????Eigen::VectorXd?y=m_MatricesCholesky->solve(bb);?? ?? ?????? ????for?(int?i=0;i<m_image->Height*m_image->Width;i++)?? ????{?? ????????if?(x(i)>y(i))?? ????????{?? ????????????BYTE?*data=(BYTE*)m_image->Scan0+i*4;?? ????????????for?(int?k=0;k<3;k++)?? ????????????{?? ????????????????data[k]=255;?? ????????????}?? ????????}?? ????}?? ?????? ?? }?? BYTE*?CRandomWalk::GetpData(Eigen::Vector2i?pt,BitmapData*image)?? {?? ????return?(BYTE*)image->Scan0+image->Width*4*pt[0]+4*pt[1];?? ?? }?? float?CRandomWalk::GetGrad(BYTE*data1,BYTE*data2)?? {?? ????float?sum0=0;?? ????for?(int?i=0;i<3;i++)?? ????{?? ????????sum0+=(data1[i]-data2[i])*(data1[i]-data2[i]);?? ?? ????}?? ????return?sum0;?? ?? }??
本文地址：http://blog.csdn.net/hjimce/article/details/45201263?? ? 作者：hjimce ? ? 聯系qq：1393852684
更多資源請關注我的博客：http://blog.csdn.net/hjimce?? ? ? ? ? ? ? ? ?原創文章，版權所有，轉載請注明出處 。
參考文獻：
1、Random Walks for Image Segmentation
2、《隨機游走圖像分割算法的研究》
這個算法的效果感覺不是很好，所以分割效果就不貼了，具體可以看一下原版的文獻
《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀
總結
以上是生活随笔為你收集整理的图像处理（三）图像分割(1)Random Walks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。
