作者是南京信息工程大學(xué)的教授Kaihua Zhang堆生,在IEEE TRANSACTIONS ON CYBERNETICS(中科院JCR一區(qū))有兩篇關(guān)于灰度不均勻圖像分割的paper竹祷。這里是小白的學(xué)習(xí)筆記,如有表述不當(dāng)禀倔,敬請(qǐng)批評(píng)指正。
思想
主要是基于圖像局部區(qū)域的統(tǒng)計(jì)性質(zhì)脉顿,在原來(lái)圖像中熬的,由于灰度不均勻的存在導(dǎo)致不同區(qū)域的灰度分布(看成高斯分布)會(huì)有交叉,通過(guò)一個(gè)映射將原始圖像域map到另一個(gè)domain拌喉,在映射后的這個(gè)domain中翼岁,灰度的分布就可以分開(kāi)了。
看到這里有兩個(gè)問(wèn)題
- i. 如何確定這個(gè)映射?這個(gè)映射對(duì)于重合多少的高斯分布有效司光?
- ii. 如何將這個(gè)映射融入到能量泛函中
文中提到的貢獻(xiàn)有三點(diǎn)
- 1)對(duì)于嚴(yán)重灰度不均勻的圖像,很難用local region statistics來(lái)很好的分割圖像悉患,本文提出了一個(gè)很簡(jiǎn)單的方法來(lái)處理該問(wèn)題:transform像素的灰度到another domain(通過(guò)平局局部窗口內(nèi)的像素灰度)残家,圖像在變換域有較少的overlapping in the statistics.
- 2)對(duì)于要估計(jì)的參數(shù),本文方法可以得到close-form solution售躁,顯著的減少了計(jì)算量(為什么坞淮?)
- 3)一些representative level set methods是本文方法的special case
具體方法
基于變換域中每個(gè)局部區(qū)域的分布茴晋,本文devise一個(gè)最大似然能量泛函,組合了偏移場(chǎng)回窘、水平集函數(shù)和分片常數(shù)的函數(shù)來(lái)近似真實(shí)的圖像信號(hào)诺擅。這是軟分類方法(每個(gè)像素可能被安排到不止一類)