Image segmentation is a central topic in image processing and computer vision and a key issue in many applications, e.g., in medical imaging, microscopy, document analysis and remote sensing. According to the human perception, image segmentation is the process of dividing an image into non-overlapping regions. These regions, which may correspond, e.g., to different objects, are fundamental for the correct interpretation and classification of the scene represented by the image. The division into regions is not unique, but it depends on the application, i.e., it must be driven by the final goal of the segmentation and hence by the most significant features with respect to that goal. Image segmentation is an inherently ill-posed problem. A classical approach to deal with ill posedness consists in the use of regularization, which allows us to incorporate in the model a-priori information about the solution. In this work we provide a brief overview of regularized mathematical models for image segmentation, considering edge-based and region-based variational models, as well as statistical and machine-learning approaches. We also sketch numerical methods that are applied in computing solutions coming from those techniques. In our opinion, a unifying view of regularized mathematical models and related computational tools for segmentation can help the readers identify the most appropriate methods for solving their specific segmentation problems. It can also provide a basis for designing new methods combining existing ones.


翻译:图像分割是图像处理和计算机视觉的一个中心议题,也是许多应用,例如医学成像、显微镜、文件分析和遥感中的一个关键问题。根据人类的认知,图像分割是将图像分割成非重叠区域的过程。这些区域,例如,对不同对象而言,可能是正确解释和分类图像所代表的场景的基础。按区域划分并非独一无二,但取决于应用,即它必须取决于分解的最终目标,从而取决于与该目标有关的最重要的特征。图像分割是一个固有的错误问题。处理图像分割的经典方法包括使用正规化,这使我们能够在模型中纳入有关解决方案的优先信息。在这项工作中,我们简要概述了固定的图像分割数学模型,考虑到边缘和基于区域的变异模型,以及统计和机器学习方法。我们还勾画了在计算这些技术产生的解决方案中应用的数字方法。图像分割是一个固有的问题。处理不当的典型方法包括使用正规化方法,这使我们能够在模型中纳入有关解决方案的优先信息。在模型中,我们还可以为当前的数学分解分析提供一种常规的模型。

0
下载
关闭预览

相关内容

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Image Segmentation Using Deep Learning: A Survey
Arxiv
45+阅读 · 2020年1月15日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
W-net: Bridged U-net for 2D Medical Image Segmentation
Arxiv
19+阅读 · 2018年7月12日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
相关资讯
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Top
微信扫码咨询专知VIP会员