计算机视觉笔记 第二章 图像语义分割

计算机视觉笔记：第一章 图像分类-CSDN博客

计算机视觉笔记 第二章 图像语义分割-CSDN博客

计算机视觉笔记 第三章：目标检测-CSDN博客

计算机视觉 第四章：图像识别、目标跟踪-CSDN博客

计算机视觉 第五章 多目视觉（立体视觉）-CSDN博客

基础：

图像分割指的是：根据图像所显示的内容标记特定区域，解决“图像里有什么，在什么位置”的问题。

给分割后图像中的每一类物体添加语义标签，用不同的颜色代表不同类别的物体，即形成了图像的语义分割/图像语义标注/密集预测。

应用：无人驾驶（识别云与车），地理信息系统（识别道路与河流）

超像素：在平常图像处理任务中，处理的最小单位是像素，这就是像素级；而把像素级的图像划分成为多个区域，把区域当成是最基本的处理单元，这就是超像素。

图像硬分割：

每个像素都有准确的所属区域，以二分类为例，每个像素的标签非0即1

图像软分割：

        每个像素都有一个“隶属度”，表明该像素属于每一类的概率

基于聚类的分割方法：

聚类分割技术按照样本（像素，包含颜色、亮度、纹理等特征）间的相似性把集合（一张图片）划分为若干子集，每个子集相当于一个类别，划分结果使某种表示聚类质量的准则（与损失函数效果相同，不过越大越好）为最大

通用步骤：1、初始化一个粗糙的聚类

              2、迭代至收敛，得到最终结果

K-Means：

初始K个聚类中心，将样本按距离分给每个聚类（遍历所有样本）。对每个簇，以簇内所有样本的均值作为该簇新的聚类中心。迭代直到聚类中心不再变化，或达到设定的迭代次数。

优点：可收敛，每次迭代都向全局最优靠近

缺点：每次迭代都遍历所有样本，计算量大。K-means是基于距离的划分方法，不适合的聚类非凸形状的类簇如：​ 。

谱聚类：

一种基于图论的聚类方法，将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，子图间距离尽量较远，以达到聚类的目的