问基于边缘像素图的图像分割

EN

在边界检测方面做得非常好。我曾经研究过类似的分割问题。

理论：

一旦您获得了边缘图，其中e(i,j)表示像素i,j的“边缘”程度，您就会希望图像分割尽可能符合边缘图的要求。

为了以一种更正式的方式表述这个“尊重边缘映射”，我建议您查看函数：

CC功能基于相邻像素之间的成对关系来评估分割的质量，无论它们是否应该在同一群集中(它们之间没有边缘)还是在不同的群集中(它们之间有边缘)。

请看aforementioned论文7.1节中的示例。

CC也用于医学(神经元)成像中的类似分割问题，例如参见here。

实践

一旦您确信CC确实是适合您的问题的公式，那么仍然存在一个问题，即如何准确地将您的二进制边缘图转换为CC可以处理的亲和力矩阵。请记住，CC需要一个(通常是稀疏的)邻接矩阵作为输入，对于假设属于同一段的像素对，具有正条目，对于假设属于不同段的像素对，具有负条目。

这是我的建议：

1. 边贴图中的边看起来很粗，不能很好地本地化。我建议使用非最大值抑制或形态学细化作为预处理阶段。

1. 一旦你有了更好的本地化边缘，你就忽略了“边缘”像素，只使用“非边缘”像素，让我们称它们为“活动”。

两个相邻的活动像素:它们之间没有“边缘”像素-它们应该在一起。因此，立即nieghbors的形容词矩阵应该有正整数。

考虑一条线上的三个像素，其中两个端点是“活动”像素:如果中间的一个是边，那么两个活动像素不应该属于同一簇-形容词矩阵中的相应条目应该是负的。如果中间像素也是活动的，则形容词矩阵中的相应条目应为正。

1. 考虑所有可能的相邻对和三元组(诱导24连通网格图)允许您构建具有适合CC的正负条目的亲和力矩阵。

1. 给定一个矩阵，您应该搜索具有最佳CC分数的分割(优化阶段)。我有这个here的Matlab代码。您也可以使用优秀的openGM包。

1. 优化将只对活动像素进行分区，您可以将其映射回输入图像域，将边缘像素保留为未分配给任何线段。

看到分类器中边缘/非边缘像素的图片，我们可以看到输入的梯度图像基本上已经给出了你所学习的分类器的结果。但是置信度图显示了一个很好的解决方案，除了: 1.它们是连接的水平集，大小各不相同。2.在单元中有噪声亮点，这会导致分类器的错误输出。(也许可以考虑一些平滑) 3.我想可能更容易描述每个单元的内部:灰度变化，平均大小。学习这些分布可能会让你得到更好的检测结果。从拓扑上讲，我们有一组嵌套在大灰度值中的低灰度值。要做到这一点，可以使用具有单位成本的GMM模型和成对项的学习梯度分布的Graphcuts

我认为你的Hough变换是个好主意。有一件事你应该尝试一下(如果你还没有这样做的话)，那就是在你运行你的tranform之前对你的图像进行threshold，尽管我刚刚链接的这篇文章似乎只是二进制阈值。这可能会夸大边缘和背景之间的差异，因此可能更容易检测到。基本上，对每个像素应用一个函数(以过滤器的形式对像素值进行操作)。

您可以尝试的另一件事是active contours。基本上，你放一些圆圈，他们在图像中移动，直到他们找到你正在寻找的东西。

我的最后一个想法是也许可以试试wavelet transform。这些方法在识别图像中的边界和边界方面似乎效果很好。希望这些想法能帮助你入门。