计算机视觉 特征检测与匹配 图像分割_伯克利分割数据集

一、图像分割概述

        图像分割是寻找“一起”的像素组的任务。在统计和机器学习中，这个问题被称为聚类分析或更简单的聚类，是一个广泛研究的领域，发展出数百种不同的算法。聚类和分割的主要区别在于前者通常忽略像素布局和邻域，而后者则严重依赖空间线索和约束。

        在计算机视觉中，图像分割是最古老和研究最广泛的问题之一。 早期技术通常使用区域分割或合并，这对应于分裂和凝聚算法。最近的算法通常会优化一些全局标准，例如区域内一致性和区域间边界长度或相异性。

        我们知道使用图像形态、马尔可夫随机场、活动轮廓和水平集的图像分割。也了解语义分割，其目标是将图像分解为语义标记的区域，如天空、草地、个体人和动物。 我们回顾了一些用于自下而上的一般（非语义）图像分割的附加技术。 这些包括基于区域分割和合并的算法、基于图形的分割和概率聚合、均值偏移模式发现和基于像素相似度度量的归一化切割分割。但其中许多算法不再广泛使用。

        由于有关图像分割的文献如此之多，处理一些性能更好的算法的一个好方法是查看对人类标记数据库的实验比较。 其中最著名的是伯克利分割数据集和基准，它由来自 Corel 图像数据集的 1,000 张图像组成，这些图像由 30 名人类受试者手工标记，其中 Unnikrishnan、Pantofaru 和 Hebert (2007) 提出了比较分割算法的新指标，而 Estrada 和 Jepson (2009) 比较了四种著名的分割算法。 Alpert、Galun 等人使用的更新的前景和背景分割数据库也可用。

        分割灰度图像最简单的技术是选择一个阈值，然后计算连通分量。 不幸的是，由于光照和对象内统计变化，单个阈值很少足以满足整个图像的要求。

1、