计算机视觉入门-纹理表示、平均表示法、Mean Shift、图像分割

第五章 纹理（Texture）检测

图形形状

分类与分割

合成

1.发现模式

2.区域之间模式关系

纹理表示

在之前的知识中，我们可以对图像进行x、y方向上利用高斯偏导核进行处理，之后离散统计强度

然后我们可以得到其x,y方向上投影的分布

分布区域离得越近表示其材质越接近

使用2维空间来描述图片内容

纹理特征的尺度特性：

平均表示法

对给定的图片进行纹理检测，想要求得其尺度。如果检测框检测在2维图像上的x，y映射相似时选用其中的尺度作为图像尺度。下图就是使用38维图像空间描述

我们可以使用多个滤波来对一个输入图像进行处理，得到的也是多维空间尺度

常见滤波器：

适用于边缘(Edges)、条形(Bars)图案、斑点(Spots)

特征值对梯度的影响

不同的卷积核对图像的作用效果也是不一样的

不同的卷积核对图像处理的结果不同

卷积神经网络输出的就是卷积核处理的响应图

纹理表示与卷积神经网络相似

不同的在于纹理表示是人为设计，卷积神经网络是机器学习之后的结果

分割

是一种自顶向上的方式（利用相似性进行连接），也就是分析像素底层

还有是自顶向下

另外还分为有监督和无监督的学习

Gestalt factors

实际用途：

聚类：把像素相似认为是同一个物体，然后把相似的像素聚合到一起

分割

语义分割：对分割的物体进行定义

实例分割：不仅说明分割的物体，还要说明其位置

对图像分割有灰度图和彩色图

灰度图只有一个通道

彩色图有RGB三个通道

所以如果想要知道两个物体是否为同一类物体

可以加入空间坐标

优点是可以分割实例

缺点是过分割

通常使用K-means方法

优点：
①通常是局部最优解

缺点：

①需要设置K

②初始结果敏感

③只适用于球形聚类

Mean shift

本质就是找局部密集点的中心点或者局部密度最高点

过程：

1.确定中心

2.通过均值漂移滑到中心点

如果有多种群类那么就会分为多个种类，因为每个圆只会检索最近的群种

优势：

1.不需要聚类是球形

2.只需要设置检测窗口的大小

3.可以形成多种模式

4.噪点影响很小（最大影响就是噪点本身作为一个聚类）

缺点：

1.过分依赖设置的窗口大小

2.计算复杂（可以通过大窗口引导小窗口）

3.维度太高不太健壮（维度灾难）

图像分割

把点连接之后删除掉低相似性的、不相似的断开

相似性定义：

dist是指两点之间的距离

σ决定了所检测的半径

图割

标准图割会造成小点成为一类

最小分割（Minimum cut）

W（A，B）

寻找到A，B集合之间的最小距离然后断开相似性低的连接然后聚类

也就是W（A，B）越小越好

归一化分割（Normalized cut）

A,B是指A集合元素与B集合元素之间的联系，也就是连接边

A,V是指A集合与所有集合之间的联系

避免A，B两个其中是一个整体另外只是一个像素，所以A，B集合尽量大。解决孤立点问题

寻找A，B集合之间最小相似性，然后断开进行聚类

应用步骤：

1.每个像素表示成向量

2.选择一个L1计算相似点之间的距离

3.选定一个σ 计算出相似性

4.写出W矩阵

5.写出D矩阵

6.写出y