mean-shift超畫素分割
超畫素概念：超畫素是指具有相似紋理、顏色、亮度等特徵的相鄰畫素構成的影象塊。是通過影象分割獲取的小區域，但是超畫素中往往存在過分割。
現有的超畫素分割方法：
l 基於圖論的超畫素分割方法：
1. normalized cuts演算法--該演算法的特點是產生的超畫素較為規則，但其邊緣貼合度較差，計算速度較慢，尤其不適用於大尺寸影象分割。
l 基於梯度上公升的超畫素分割方法：
1. watershed演算法--分水嶺演算法計算速度快，但過分割現象嚴重，且超畫素邊緣貼合度和緊密度較低。
2. slic(****** linear iterative clustering)演算法—處理速度快，超畫素大小均勻，緊密的好，但是如果為了後續的超畫素聚合效果並不好。
3. mean-shift演算法--抗噪性好，邊緣貼合度好，生成的超畫素極不規則。
超畫素的應用：
1）有利於影象區域性特徵的提取和影象結構資訊的表達;
2）利於降低處理物件規模和後續處理的計算複雜度。
mean-shift適用於處理什麼樣的影象？
這個應該從mean-shift的原理來理解：對灰度影象如下圖來說，可以看做是分布在（x,y,dn（灰度））三維空間的資料點。假如我們以這些資料點中的一點為球心做乙個單位體積的球，並求球中資料的概率密度最大值，球心從最初的一點變為概率密度最大值。如此反覆，直到球心位置不再變化，這一點又叫模態點。如此，所有能移動到同乙個模態點的資料點聚集成乙個物件。
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定過小時根本不能將這一區域分為乙個區域，即使半徑設定很大效果也不好如右圖所示。
所以說，mean-shift方法更適用於自然影象，也就是說在灰度上有梯度變化的影象。
mean-shift濾波後的處理：
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,然後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 濾波之後的影象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併。
l 畫出邊界。
SLIC超畫素分割詳解
slic超畫素分割詳解 一 超畫素概念是2003年xiaofeng ren提出和發展起來的影象分割技術，是指具有相似紋理 顏色 亮度等特徵的相鄰畫素構成的有一定視覺意義的不規則畫素塊。它利用畫素之間特徵的相似性將畫素分組,用少量的超畫素代替大量的畫素來表達特徵,很大程度上降低了影象後處理的複雜度，所...
點雲超畫素分割實驗進展
點雲超畫素分割實驗進展 點雲分割實現的粗分割階段 實驗環境 pcl1.7原始碼 vtk5.10庫 其他必要庫 官網示例 目前進展 可以檢測到293個超畫素塊，無法顯示超畫素結果和近鄰質心的連線 2016.4.11 可能存在的問題 1 pcl原始碼需要1.8版本的 2 中注釋掉一部分引起的，注釋掉nt...
超畫素 語義分割 例項分割 全景分割 傻傻分不清？
在計算機視覺中，影象分割是個非常重要且基礎的研究方向。簡單來說，影象分割 image segmentation 就是根據某些規則把中的畫素分成不同的部分 加不同的標籤 影象分割中的一些常見的術語有 superpixels 超畫素 semantic segmentation 語義分割 instance...