标签: image-segmentation

有谁可以帮我理解Mean Shift分割实际上是如何工作的？

这是我刚刚编写的8x8矩阵

  103  103  103  103  103  103  106  104   
  103  147  147  153  147  156  153  104   
  107  153  153  153  153  153  153  107   
  103  153  147  96   98   153  153  104   
  107  156  153  97   96   147  153  107   
  103  153  153  147  156  153  153  101   
  103  156  153  147  147  153  153  104   
  103  103  107  104  103  106  103  107

使用上面的矩阵可以解释Mean Shift分割如何将3个不同的数字水平分开？

语义分割只是一个Pleonasm还是"语义分割"和"分割"之间存在差异？"场景标记"或"场景解析"有区别吗？

像素级和像素级分割有什么区别？

(旁边问题:当你有这种像素方式的注释时,你是否可以免费获得物体检测,还是还有什么可做的？)

请提供您的定义来源.

使用"语义分割"的来源

• Jonathan Long,Evan Shelhamer,Trevor Darrell:用于语义分割的完全卷积网络.CVPR,2015年和PAMI,2016年
• Hong,Seunghoon,Hyeonwoo Noh和Bohyung Han:"用于半监督语义分割的解耦深度神经网络".arXiv preprint arXiv:1506.04924,2015.
• V. Lempitsky,A.Vedaldi和A. Zisserman:用于语义分割的塔架模型."神经信息处理系统进展",2011年.

使用"场景标签"的来源

• Clement Farabet,Camille Couprie,Laurent Najman,Yann LeCun:学习场景标签的等级特征.在模式分析和机器智能,2013年.

使用"像素级"的来源

• Pinheiro,Pedro O.和Ronan Collobert:"从卷积网络的图像级到像素级标签." 2015年计算机视觉和模式识别会议论文集.(见http://arxiv.org/abs/1411.6228)

使用"pixelwise"的来源

• Li,Hongsheng,Rui Zhao和Wang Xiaogang Wang:"用于像素分类的卷积神经网络的高效前向和后向传播." arXiv preprint arXiv:1412.4526,2014.

谷歌Ngrams

"语义分割"似乎最近比"场景标记"更多地使用

检测照片中发票/收据/纸张角落的最佳方法是什么？在OCR之前,这将用于后续的透视校正.

我目前的做法是:

RGB>灰色>带阈值的Canny边缘检测>扩张(1)>移除小物体(6)>清除边界物体>根据凸面区域挑选大型博客.> [角落检测 - 未实施]

我不禁想到必须有一种更强大的"智能"/统计方法来处理这种类型的细分.我没有很多训练样例,但我可能会得到100张图像.

更广泛的背景:

我正在使用matlab进行原型设计,并计划在OpenCV和Tesserect-OCR中实现该系统.这是我需要为此特定应用程序解决的许多图像处理问题中的第一个.因此,我希望推出自己的解决方案并重新熟悉图像处理算法.

以下是我想要算法处理的一些示例图像:如果您想接受挑战,那么大图像位于http://madteckhead.com/tmp

案例1 http://madteckhead.com/tmp/IMG_0773_sml.jpg 案例2 http://madteckhead.com/tmp/IMG_0774_sml.jpg 案例3 http://madteckhead.com/tmp/IMG_0775_sml.jpg 案例4 http:/ /madteckhead.com/tmp/IMG_0776_sml.jpg

在最好的情况下,这给出:

案例1 - canny http://madteckhead.com/tmp/IMG_0773_canny.jpg 案例1 - post canny http://madteckhead.com/tmp/IMG_0773_postcanny.jpg 案例1 - 最大的博客http://madteckhead.com/tmp/ IMG_0773_blob.jpg

但是在其他情况下很容易失败:

案例2 - canny http://madteckhead.com/tmp/IMG_0774_canny.jpg 案例2 - post canny http://madteckhead.com/tmp/IMG_0774_postcanny.jpg 案例2 - 最大的博客http://madteckhead.com/tmp/ IMG_0774_blob.jpg

提前感谢所有伟大的想法!我喜欢!

编辑:霍夫变换进展

问:什么算法会聚集霍夫线找到角落？根据答案的建议,我能够使用Hough变换,拾取线条并过滤它们.我目前的做法相当粗糙.我已经假设发票总是小于15度,与图像不对齐.如果是这种情况,我最终得到合理的线条结果(见下文).但我不完全确定一个合适的算法来聚集线(或投票)来推断角落.霍夫线不连续.并且在嘈杂的图像中,可以存在平行线,因此需要与线原点度量的某种形式或距离.有任何想法吗？

案例1 http://madteckhead.com/tmp/IMG_0773_hough.jpg 案例2 http://madteckhead.com/tmp/IMG_0774_hough.jpg 案例3 http://madteckhead.com/tmp/IMG_0775_hough.jpg 案例4 http:/ /madteckhead.com/tmp/IMG_0776_hough.jpg

我正在用OpenCV为Android写作.我正在使用标记控制的分水岭分割类似于下面的图像,而无需用户手动标记图像.我打算使用区域最大值作为标记.

minMaxLoc()会给我价值,但我怎么能把它限制在我感兴趣的blob？我可以利用findContours()cvBlob blob 的结果来限制ROI并对每个blob应用最大值吗？

我已经在Python中训练了一个分类器,用于将单元格图像中的像素分类为边缘或非边缘.我已经成功地在一些图像数据集上使用它,但是遇到了这个特定数据集的问题,即使对人眼来说也是如此.我不知道任何可以准确分割它的现有自动化技术.

预测后,我得到以下图像:

我对图像处理相对较新,不确定如何继续实际获得细胞的最终分割.我简要地尝试了一些不同的技术 - 即霍夫圆形变换,水平集,骨架化,轮廓发现 - 但没有一个真正完成这个技巧.我只是没有正确调整参数,还是有更好的技术？

顺便提一下,这是正确的轮廓供参考.

和原始图像:

和连续概率图:

我试图计算下图中移植的毛发数量.所以实际上,我必须计算在图像中心可以找到的斑点数量.(我已经上传了一个秃头皮的倒像,上面已经移植了新的毛发,因为原始图像是血腥的,绝对令人作呕!要查看原始的非倒置图像,请点击这里.要查看更大版本的倒置图像点击它).是否有任何已知的图像处理算法来检测这些斑点？我发现圆形霍夫变换算法可用于在图像中找到圆圈,但我不确定它是否是可用于查找下图中的小点的最佳算法.

PS根据其中一个答案,我尝试使用ImageJ提取斑点,但结果不够令人满意:

1. 我打开了原始的非倒置图像(警告!它看起来很血腥,令人作呕!).
2. 分割通道(图像>颜色>分割通道).并选择蓝色通道继续.
3. 应用Closing滤波器(插件>快速形态学>形态滤波器)具有以下值:操作:闭合,元素:正方形,半径:2px
4. 应用White Top Hat滤波器(插件>快速形态>形态滤波器)具有以下值:操作:白色顶帽,元素:方形,半径:17px

但是,我不知道在这一步之后该怎么做才能尽可能准确地计算移植点.我尝试使用(处理>查找最大值),但结果对我来说似乎不够准确(使用这些设置:噪声容限:10,输出:单点,排除边缘最大值,浅背景):

正如您所看到的,已经忽略了一些白点,并且已经标记了一些实际上不是毛发移植点的白色区域.

您建议使用哪些过滤器来准确找到斑点？使用ImageJ似乎是一个很好的选择,因为它提供了我们需要的大多数过滤器 但是,请随意使用其他工具,库(如OpenCV)等建议做什么.任何帮助都将受到高度赞赏!

如何计算平均IU(平均路口过联盟)得分在这个文件？

很长,Jonathan,Evan Shelhamer和Trevor Darrell."用于语义分割的完全卷积网络."

我使用Keras在一些图像数据上拟合完整的卷积网络以进行语义分割.但是,我有一些问题过度拟合.我没有那么多数据,我想做数据增加.但是,由于我想进行像素分类,我需要任何增强功能,如翻转,旋转和移位,以应用于特征图像和标签图像.理想情况下,我想使用Keras ImageDataGenerator进行即时转换.但是,据我所知,您不能对功能和标签数据进行等效转换.

有谁知道是否是这种情况,如果没有,有没有人有任何想法？否则,我将使用其他工具来创建更大的数据集,并立即将其全部输入.

谢谢!

我有一个1-D信号,我正试图找到峰值.我想找到他们完美.

我现在正在做:

import scipy.signal as signal
peaks = signal.find_peaks_cwt(data, np.arange(100,200))

以下是带有红点的图表,其中显示了峰的位置find_peaks_cwt().

如您所见,计算出的峰值不够准确.非常重要的是右侧的三个.

我的问题:我如何使这更准确？

更新:数据在这里:http://pastebin.com/KSBTRUmW

对于某些背景,我正在尝试做的是在图像中找到手指之间的空间.绘制的是手周围轮廓的x坐标.青色斑点=峰.如果有更可靠/更健全的方法,请发表评论.

我想知道如何使用TensorFlow处理图像分割中未标记的图像部分.例如,我的输入是高度*宽度*通道的图像.标签尺寸高度*宽度太大,每个像素都有一个标签.

图像的某些部分是注释的,其他部分则没有.我希望这些部分对梯度计算没有任何影响.此外,我对网络预测这个"无效"标签不感兴趣.

这有标签或功能吗？目前我正在使用tf.nn.sparse_softmax_cross_entropy_with_logits.