分割演算法研究

A. 有關遙感圖像分割演算法

親愛的...答案告訴你了…… 你懂得……

B. 骨髓細胞圖像分割演算法研究的意義

這個題目有幾個元素

一是骨髓細胞．骨髓細胞內有多種細胞，識別，計數這些細胞對醫學研究和臨床診斷有重要意義－－這個就不多說了吧？比如某種細胞形態異常／數量異常與某種疾病有聯系，等等．

二是圖像．以上的目的都是通過觀察細胞來實現的．人工來看，很直觀，但有幾個問題：一是費時費力，隨便一個樣品就有成千上萬個細胞，人工計數都是一個一個地數，重復性強，效率低；二是不同的人來看得到的結果相差可能很大，這跟經驗有關，跟人的疲勞程度也有關．所以為了高效，穩定地，統一標准地識別計數骨髓細胞，最好是讓電腦來做，這就是一個圖像處理的問題．

三是分割演算法．這是圖像處理的一個基本技術，並不算生物學的范疇．大致意思是說為了識別圖像中的有用信息，需要把圖像分割成小塊．哪裡是目標物（在這里就是細胞啦），哪塊是背景。更細的可能還需要分割細胞內部哪個區域是細胞核，以及其他的細胞器（為了識別細胞的種類）。

又想了想，其實同樣的目的，把樣品放到流式細胞儀來做，結果可能更可靠。但是樣品的處理和染色都需要時間，自然沒有直接做個塗片快，而且免疫熒光染色的抗體可是一大筆開銷啊。。。。

C. 當前主流的圖像分割研究方向都有哪些

實時圖形學和圖形處理器（大熱門，看看顯卡和游戲的火爆就知道了。SIGGRAPH的多數論**是這方面的） ，新的光照模型和渲染方法（如：波動光學渲染，各種模型的輻射度方法等）， 虛擬現實和虛擬現實設備（如：空間全息成像，觸覺感測器，嗅覺感測器，立體聲學，空間定位設備）， 場可視化和體圖形學（醫學圖像立體顯示）， S計算幾何(演算法幾何，區別於以前中的計算幾何概念) ，動畫理論（元球動畫，動力動畫，粒子系統） ，圖形模擬（如：自然景物模擬，柔體模擬，分形樹，流體模擬）， 計算機視覺（主要指機器視覺，主題是圖像序列到3D模型轉換如：多目視覺，運動視覺等，本來應該歸到模式識別類裡面） ，全息攝影術（如同心拼圖法） ，如果不算圖像和模式識別的話圖形學方面前沿的東西不多。上面介紹的都不算太前沿的，太前沿如發明新的光照模型和渲染方法以便能真實又高效還不耗內存的渲染場景估計搞不出來，現在的實時渲染演算法其圖形質量是較差的遠遠比不上傳統光線跟蹤出來的質量。倒是圖像和模式識別方面的前沿要多的多。 在圖像和模式識別領域的前沿有： 圖像處理 圖像壓縮 圖像分割 邊沿檢測 圖像矢量化 圖像匹配 模式識別 遙感圖像處理 圖像恢復 視頻處理 。

D. 數字圖像處理中分割演算法的研究 實現圖像預處理功能： 完成直方圖的統計及繪制，根據此找到圖像的閾值點；

都是簡單演算法，隨便找本圖像處理的書都有源代碼。。。

E. 如何分析一個圖像分割演算法

論文閱讀筆記：圖像分割方法deeplab以及Hole演算法解析
deeplab發表在ICLR
2015上。論文下載地址：Semantic
Image
Segmentation
with
Deep
Convolutional
Nets
and
Fully
Connected
CRFS.
deeplab方法概述
deeplab方法分為兩步走，第一步仍然採用了FCN得到
coarse
score
map並插值到原圖像大小，然後第二步借用fully
connected
CRF對從FCN得到的分割結果進行細節上的refine。
下面這張圖很清楚地展示了整個結構：
然後這張圖展示了CRF處理前後的效果對比，可以看出用了CRF以後，細節確實改善了很多：
deeplab對FCN更加優雅的處理方式
在第一步中，deeplab仍然採用了FCN來得到score
map,並且也是在VGG網路上進行fine-tuning。但是在得到score
map的處理方式上，要比原FCN處理的優雅很多。
還記得CVPR
2015的FCN中是怎麼得到一個更加dense的score
map的嗎？
是一張500x500的輸入圖像，直接在第一個卷積層上conv1_1來了一個100的大padding。最終在fc7層勉強得到一個16x16的score
map。雖然處理上稍顯粗糙，但是畢竟人家是第一次將圖像分割在CNN上搞成end-to-end，並且在當時performance是state-of-the-art，也很理解。
deeplab摒棄了這種做法，取而代之的是對VGG的網路結構上做了小改動：將VGG網路的pool4和pool5層的stride由原來的2改為了1。就是這樣一個改動，使得vgg網路總的stride由原來的32變成8，進而使得在輸入圖像為514x514，正常的padding時，fc7能得到67x67的score
map,
要比FCN確實要dense很多很多。
但是這種改變網路結果的做法也帶來了一個問題：
stride改變以後，如果想繼續利用vgg
model進行fine
tuning，會導致後面filter作用的區域發生改變，換句話說就是感受野發生變化。這個問題在下圖(a)
(b)中通過花括弧體現出來了:
Hole演算法
於是乎，作者想出了一招，來解決兩個看似有點矛盾的問題：
既想利用已經訓練好的模型進行fine-tuning，又想改變網路結構得到更加dense的score
map.
這個解決辦法就是採用Hole演算法。如下圖(a)
(b)所示，在以往的卷積或者pooling中，一個filter中相鄰的權重作用在feature
map上的位置都是物理上連續的。如下圖(c)所示，為了保證感受野不發生變化，某一層的stride由2變為1以後，後面的層需要採用hole演算法，具體來講就是將連續的連接關系是根據hole
size大小變成skip連接的（圖(c)為了顯示方便直接畫在本層上了）。不要被(c)中的padding為2嚇著了，其實2個padding不會同時和一個filter相連。
pool4的stride由2變為1，則緊接著的conv5_1,
conv5_2和conv5_3中hole
size為2。接著pool5由2變為1,
則後面的fc6中hole
size為4。
代碼
主要是im2col(前傳)和col2im(反傳)中做了改動
(增加了hole_w,
hole_h)，這里只貼cpu的用於理解：

F. 幾種圖像閾值分割演算法的實現與比較

摘要：圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。該文主要論述了常用的幾種圖像閾值分割的演算法及原理，並以研究瀝青混合料的集料特徵為背景，從實驗角度對圖像閾值分割的直方圖閾值法、迭代法和大津法進行了分析比較，得出了結論。關鍵詞：圖像分割；直方圖閾值法；迭代法；大津法中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044(2011)13-3109-03Achieve and Comparison of Image Segmentation Thresholding MethodCHEN Ning-ning(Department of Technology, Xi'an International University, Xi'an 710077, China)Abstract: Image segmentation is a key step for image analysis, Is also the basis for further understanding of the image. In this paper, discusses several commonly used image segmentation algorithms and theory, and to study the aggregate asphalt mixture characteristics of the background, experimental results are shown to compare histogram threshold, Iteration method and the Otsu.Key words: image segmentation; histogram threshold; iteration method; Otsu1 概述圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。

G. 數字圖像處理中分割演算法的研究！求大神

以前用過的一個比較笨的方法，多下載論文，尤其是國外論文（國內論文很多有濫竽充數之嫌），上面自適應分割演算法很多。選出比較可信的論文，嘗試著用C語言或OPENCV實現其中的分割演算法，看下是否結果是否滿意，在不斷的試驗中找到能獲得最理想結果的演算法。很多分割演算法的理論基礎是概率統計，求出使兩類差別最大的一個閾值。曾經感覺比較好用的是最大類間方差法（大津法）。當然還是書上說的，不同的圖像適用於不同的演算法。每種演算法都有充足的理由證明它能獲得好的結果，但適用於特定處理對象的，往往需要多試驗，有了好的試驗結果，論文就好寫了。另外，想要獲得好的分割結果，合適的圖像預處理是必須的。

H. 圖像分割演算法分為幾類

從學術角度講圖像分割主要分成3大類，一是基於邊緣的，二是基於區域的，三是基於紋理的。由於基於紋理的也可以看成是基於區域的，所以有些專家也把分割方法分成基於邊緣和基於區域兩大類。
選擇演算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基於邊緣的方法就可行。但如果是像醫學圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基於邊緣的方法就不合適了，用基於區域的方法更好。再比如帶紋理的圖像，例如條紋衫，如果用基於邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基於紋理的方法就能把紋理相同或相似的區域分成一個整體。
不過總體來說，基於區域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。