最常见的现代图像分割技术

#1 楼

我不了解许多分割技术，但是我一直在处理提供“选择”的分割片段的结构，可以对这些片段进行进一步检查以产生令人满意的分割效果。我不太了解的一些不同的最新分割方法。

简要介绍为什么可以为不同的图像选择分割或分割级别：细分是一个定义不明确的问题。根本不存在：期望的结果始终取决于用户要求和规格。一个不错的报价：


即使对于固定图像，也可能会有多个“最佳”分割，因为定义分割质量的标准取决于应用程序。这促使我们将研究重点放在提供“拼图”的图像分割技术上，这些拼图可用于生成满足特定用户要求的分割。
：用于分层图像分割和简化的受限连接（2008））

存在分层结构，分层图像分解，提出了具有不同复杂度的图像分区。这些结构最简单地表示为树结构，其中每个节点代表图像中的一个区域。结构的构想是：结构的叶子是精细划分的区域，或者图像的过度分割区域（例如像素，平坦区域-具有相同强度的连接区域，分水岭）
树中的链接表示（相邻）区域的合并或合并并形成一个更复杂的区域，并且以最有可能产生与对象相对应的区域的方式构造（希望:)）
区域的复杂性沿着从节点到树根的每个分支而增加
树的每个层次（也是每个剪切）都是图像的分割/分割（更粗的树离根越近）
树的根覆盖整个图像域

分割然后包括检查区域及其提议的并集，以确定与所需精度或有关目标对象的某些已知属性或其他预定义用户规范相对应的树或树的切割区域。具有这些属性的树（即分层图像分解）为：


$ \ alpha $ -trees
$（\ omega）$ -trees
二进制分区树（针对分割和对象检测）

除了已经提供的论文的链接之外，一些更具体和较不具体的有关此类分割技术的论文：


Cousty，J.，Najman，L .：分层最小生成林和分水岭突显度的增量算法（2011）
Soille，P.，Gr azzini，J .：约束连接和过渡区域（2009）

（更实际）：


Serna，A.，Marcotegui，B .：属性受控重构与自适应数学形态学（2013）
Merciol，F.，Lefèvre，S .：基于alpha树多尺度表示的快速图像和视频分割（2012）

#2 楼

作为佩内洛普（Penelope）答案的补充，有两个流行的（和流行的）算法家族。甚至是简历会议中的一些Superpixel会议）。超像素很像过度分割（如分水岭给您的东西），因此需要一些后处理。

超像素可以看作是小的均匀图像区域。像素之间的距离的评估与双边过滤中的评估相同，即像素空间的距离与视觉相似度之间的混合，当它们接近且相似时为0，否则为更大的值。尝试各种标准以相对于该措施形成小的均质区域。其中有很多（基于图，基于模式搜索/基于聚类...），所以我认为最好将您引荐给该技术报告。

（edit :)如果有人正在寻找对于已发表的经过同行评审的作品，本文由同一作者撰写，涵盖的内容与技术报告相同：
R。 Achanta，A。Shaji，K。Smith，A。Lucchi，P。Fua，S。Susstrunk：SLIC超像素与最先进的超像素方法的比较
从视觉上看，答案与分水岭的过度细分所提供的结果非常相似。技术报告的作者证实了这一点，他们在相关工作部分中包括了分水岭。因此，您还需要执行相同的后处理：虽然超级像素可以代替像素使用，但可以方便使用，但如果您需要跟踪/检测对象，则仍需要对它们进行分组以形成更高级别的区域。

基于图的分割方法

另一个流行的算法系列来自像素关系分析，即像素外观如何接近。这样就产生了基于图论的分割方法系列，例如归一化分割（J. Shi，J。Malik：归一化分割和图像分割）。像素现在是高维图的点（顶点）。
在图中，两个顶点可以通过一条边连接，一条边的权重与两个顶点之间的距离成反比。通常，权重函数将是它们的空间距离和它们的视觉相似性8as在双边过滤中的混合的倒数。
然后，给出该图，分割算法可以寻找最佳的顶点簇，即具有较小的组内距离和较大的组外距离的顶点组。在归一化割方法中，要采取一些额外的措施，以避免群集的不同种群规模带来的任何偏差。此外，可以通过计算权重矩阵的SVD来避免图探索，权重矩阵在图论中也称为连通性矩阵。

#3 楼

我想对用于分割的最新算法的全局概述需要寻找最新的调查。 Szeliski的书对挑战进行了全面的概述。