分割算法研究

A. 有关遥感图像分割算法

亲爱的...答案告诉你了…… 你懂得……

B. 骨髓细胞图像分割算法研究的意义

这个题目有几个元素

一是骨髓细胞．骨髓细胞内有多种细胞，识别，计数这些细胞对医学研究和临床诊断有重要意义－－这个就不多说了吧？比如某种细胞形态异常／数量异常与某种疾病有联系，等等．

二是图像．以上的目的都是通过观察细胞来实现的．人工来看，很直观，但有几个问题：一是费时费力，随便一个样品就有成千上万个细胞，人工计数都是一个一个地数，重复性强，效率低；二是不同的人来看得到的结果相差可能很大，这跟经验有关，跟人的疲劳程度也有关．所以为了高效，稳定地，统一标准地识别计数骨髓细胞，最好是让电脑来做，这就是一个图像处理的问题．

三是分割算法．这是图像处理的一个基本技术，并不算生物学的范畴．大致意思是说为了识别图像中的有用信息，需要把图像分割成小块．哪里是目标物（在这里就是细胞啦），哪块是背景。更细的可能还需要分割细胞内部哪个区域是细胞核，以及其他的细胞器（为了识别细胞的种类）。

又想了想，其实同样的目的，把样品放到流式细胞仪来做，结果可能更可靠。但是样品的处理和染色都需要时间，自然没有直接做个涂片快，而且免疫荧光染色的抗体可是一大笔开销啊。。。。

C. 当前主流的图像分割研究方向都有哪些

实时图形学和图形处理器（大热门，看看显卡和游戏的火爆就知道了。SIGGRAPH的多数论**是这方面的） ，新的光照模型和渲染方法（如：波动光学渲染，各种模型的辐射度方法等）， 虚拟现实和虚拟现实设备（如：空间全息成像，触觉传感器，嗅觉传感器，立体声学，空间定位设备）， 场可视化和体图形学（医学图像立体显示）， S计算几何(算法几何，区别于以前中的计算几何概念) ，动画理论（元球动画，动力动画，粒子系统） ，图形仿真（如：自然景物模拟，柔体仿真，分形树，流体仿真）， 计算机视觉（主要指机器视觉，主题是图像序列到3D模型转换如：多目视觉，运动视觉等，本来应该归到模式识别类里面） ，全息摄影术（如同心拼图法） ，如果不算图像和模式识别的话图形学方面前沿的东西不多。上面介绍的都不算太前沿的，太前沿如发明新的光照模型和渲染方法以便能真实又高效还不耗内存的渲染场景估计搞不出来，现在的实时渲染算法其图形质量是较差的远远比不上传统光线跟踪出来的质量。倒是图像和模式识别方面的前沿要多的多。 在图像和模式识别领域的前沿有： 图像处理 图像压缩 图像分割 边沿检测 图像矢量化 图像匹配 模式识别 遥感图像处理 图像恢复 视频处理 。

D. 数字图像处理中分割算法的研究 实现图像预处理功能： 完成直方图的统计及绘制，根据此找到图像的阈值点；

都是简单算法，随便找本图像处理的书都有源代码。。。

E. 如何分析一个图像分割算法

论文阅读笔记：图像分割方法deeplab以及Hole算法解析
deeplab发表在ICLR
2015上。论文下载地址：Semantic
Image
Segmentation
with
Deep
Convolutional
Nets
and
Fully
Connected
CRFS.
deeplab方法概述
deeplab方法分为两步走，第一步仍然采用了FCN得到
coarse
score
map并插值到原图像大小，然后第二步借用fully
connected
CRF对从FCN得到的分割结果进行细节上的refine。
下面这张图很清楚地展示了整个结构：
然后这张图展示了CRF处理前后的效果对比，可以看出用了CRF以后，细节确实改善了很多：
deeplab对FCN更加优雅的处理方式
在第一步中，deeplab仍然采用了FCN来得到score
map,并且也是在VGG网络上进行fine-tuning。但是在得到score
map的处理方式上，要比原FCN处理的优雅很多。
还记得CVPR
2015的FCN中是怎么得到一个更加dense的score
map的吗？
是一张500x500的输入图像，直接在第一个卷积层上conv1_1来了一个100的大padding。最终在fc7层勉强得到一个16x16的score
map。虽然处理上稍显粗糙，但是毕竟人家是第一次将图像分割在CNN上搞成end-to-end，并且在当时performance是state-of-the-art，也很理解。
deeplab摒弃了这种做法，取而代之的是对VGG的网络结构上做了小改动：将VGG网络的pool4和pool5层的stride由原来的2改为了1。就是这样一个改动，使得vgg网络总的stride由原来的32变成8，进而使得在输入图像为514x514，正常的padding时，fc7能得到67x67的score
map,
要比FCN确实要dense很多很多。
但是这种改变网络结果的做法也带来了一个问题：
stride改变以后，如果想继续利用vgg
model进行fine
tuning，会导致后面filter作用的区域发生改变，换句话说就是感受野发生变化。这个问题在下图(a)
(b)中通过花括号体现出来了:
Hole算法
于是乎，作者想出了一招，来解决两个看似有点矛盾的问题：
既想利用已经训练好的模型进行fine-tuning，又想改变网络结构得到更加dense的score
map.
这个解决办法就是采用Hole算法。如下图(a)
(b)所示，在以往的卷积或者pooling中，一个filter中相邻的权重作用在feature
map上的位置都是物理上连续的。如下图(c)所示，为了保证感受野不发生变化，某一层的stride由2变为1以后，后面的层需要采用hole算法，具体来讲就是将连续的连接关系是根据hole
size大小变成skip连接的（图(c)为了显示方便直接画在本层上了）。不要被(c)中的padding为2吓着了，其实2个padding不会同时和一个filter相连。
pool4的stride由2变为1，则紧接着的conv5_1,
conv5_2和conv5_3中hole
size为2。接着pool5由2变为1,
则后面的fc6中hole
size为4。
代码
主要是im2col(前传)和col2im(反传)中做了改动
(增加了hole_w,
hole_h)，这里只贴cpu的用于理解：

F. 几种图像阈值分割算法的实现与比较

摘要：图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础。该文主要论述了常用的几种图像阈值分割的算法及原理，并以研究沥青混合料的集料特征为背景，从实验角度对图像阈值分割的直方图阈值法、迭代法和大津法进行了分析比较，得出了结论。关键词：图像分割；直方图阈值法；迭代法；大津法中图分类号：TP391 文献标识码：A文章编号：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 概述图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础。

G. 数字图像处理中分割算法的研究！求大神

以前用过的一个比较笨的方法，多下载论文，尤其是国外论文（国内论文很多有滥竽充数之嫌），上面自适应分割算法很多。选出比较可信的论文，尝试着用C语言或OPENCV实现其中的分割算法，看下是否结果是否满意，在不断的试验中找到能获得最理想结果的算法。很多分割算法的理论基础是概率统计，求出使两类差别最大的一个阈值。曾经感觉比较好用的是最大类间方差法（大津法）。当然还是书上说的，不同的图像适用于不同的算法。每种算法都有充足的理由证明它能获得好的结果，但适用于特定处理对象的，往往需要多试验，有了好的试验结果，论文就好写了。另外，想要获得好的分割结果，合适的图像预处理是必须的。

H. 图像分割算法分为几类

从学术角度讲图像分割主要分成3大类，一是基于边缘的，二是基于区域的，三是基于纹理的。由于基于纹理的也可以看成是基于区域的，所以有些专家也把分割方法分成基于边缘和基于区域两大类。
选择算法的时候主要参考你要分割的图像样本的特点。
如果图像的边界特别分明，比如绿叶和红花，在边界处红绿明显不同，可以精确提取到边界，这时候用基于边缘的方法就可行。但如果是像医学图像一样，轮廓不是特别明显，比如心脏图像，左心房和左心室颜色比较接近，它们之间的隔膜仅仅是颜色比它们深一些，但是色彩上来说很接近，这时候用基于边缘的方法就不合适了，用基于区域的方法更好。再比如带纹理的图像，例如条纹衫，如果用基于边缘的方法很可能就把每一条纹都分割成一个物体，但实际上衣服是一个整体，这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体。
不过总体来说，基于区域的方法近些年更热一些，如Meanshift分割方法、测地线活动轮廓模型、JSEG等。