Deep Learning 11 CV Image Segmentation

[TOC]

CV-Image Segmentation 图像分割

传统分割方法

理解：

• 把图像分割成若干个块
• 每个块都有相同点 [可以利用拓广性来进行延伸]

基本方法：

• 基于阈值的图像分割：按照灰度值进行提取，直接归成纯白色和纯黑色

• 基于区域的图像分割：延伸合并 & 分裂 【两个可逆的过程】

  • 单个像素点 ==延伸合并==》 一个区域
  • 整张图片 ==分裂==》 若干个区域

• 基于边缘检测的图像分割： 直接通过提取边缘，来划定不同的区域。

• 分水岭算法

Image Segmentation 具体方法分析

基于阈值的图像分割

特点：

阈值的影响太大：1) 阈值小 => 对亮的区域/灰度值低的区域 效果好 2) 阈值大 => 对暗的区域/灰度值高的区域 效果好

基于区域的图像分割

• 单个像素点的延伸合并

特点：

若干个单个像素点的选取影响太大。

拓广的规则/策略的设定影响太大。

• 分裂

特点：

基于边缘检测的图像分割

特点：太依赖边缘的话，有可能没法形成一个回路(差一点形成一个回路)，或者很多没有规则的线。

基于主动轮廓的图像分割

分水岭算法

特点：对于边缘的分割太过敏感了，容易过度分割

基于GA遗传算法的图像分割

深度学习分割

基于特征编码 - VGGNet 分割

基于特征编码 - ResNet

特点：缓解梯度消失的问题。（类似于序列模型中的GRU(重置门、更新门)和LSTM(有三个门遗忘门、记忆门、输出门)，GRU就是）

R-CNN[Target Detection] & Fast R-CNN[Target Detection] & Mask R-CNN[Image Segmentation]

原理：引入恒等映射，允许原始输入信息直接传到后面的层中，在学习过程中可以只学习上一个网络输出的残差F(x)

• R-CNN、Fast R-CNN 目标检测
• Mask R-CNN 目标检测、目标分类、像素级分割(每个像素点进行标注)