最常见的现代图像分割技术

我正在阅读一些有关图像分割技术的文章，并且想知道现代的，最新的分割算法。

当前哪些是“必读”（即社区中最常用）的细分技术？您与哪些技术接触并发现最有效和最有用的技术（以及针对哪种应用程序）？

我不了解许多分割技术，但是我一直在处理提供“选择”分割片段的结构，可以对这些片段进行进一步检查以产生令人满意的分割效果。

希望其他人可以写一些我不太了解的最新分割方法。

简要介绍为什么可以为不同的图像选择或选择分割级别：分割是一个定义不明确的问题。在地面真理不存在：理想的结果总是取决于用户的要求和规范。一个不错的报价：

即使对于固定图像，也可能会有多个“最佳”分割，因为定义分割质量的标准取决于应用程序。这促使我们将研究重点放在提供“拼图”的图像分割技术上，这些拼图可用于生成满足特定用户要求的分割

（P. Soille：用于分层图像划分和简化的受限连接（2008年））

存在分层结构，即分层图像分解，提出具有不同复杂度的图像分区。这些结构最简单地表示为树结构，其中每个节点代表图像中的一个区域。结构的想法：

• 结构的叶子是精细划分的区域，或图像的过度分割区域（例如，像素，平坦区域-具有相同强度的连接区域，分水岭）
• 树中的链接表示（相邻）区域的合并或并集，并形成一个更复杂的区域，并且以最有可能产生与对象相对应的区域的方式构造（希望：））
• 区域的复杂性沿着每个分支从节点到树的根部增加
• 树的每个级别（也包括每个剪切）是图像的分割/分割（更粗的图像离根越近）
• 树的根覆盖整个图像域

然后，分割包括检查区域及其提议的并集，以确定与所需精度或有关感兴趣对象的某些已知属性或其他预定义用户规范相对应的树或树的剪切中的区域。

具有此类属性的树（即，分层图像分解）为：

• $\alpha$
• $(\omega)$
• 二进制分区树（针对分割和对象检测）

除了已经提供的论文的链接之外，有关这些细分技术的一些更具体和较不具体的最新论文：

• Cousty，J.，Najman，L .：渐进式最小跨度森林和流域砍伐显着性的增量算法（2011）
• Soille，P.，Grazzini，J .：受约束的连通性和过渡地区（2009）

（更实用）：

• Serna，A.，Marcotegui，B .:属性控制的重构和自适应数学形态（2013）
• Merciol，F.，Lefèvre，S .：基于alpha树多尺度表示的快速图像和视频分割（2012）

作为佩内洛普（Penelope）答案的补充，有两个流行的算法家族（和流行派）。

超像素

目前，非常流行的一种称为Superpixels的算法家族非常流行（CV会议中甚至有一些Superpixel会议）。超像素很像过度分割（如分水岭给您的东西），因此需要一些后处理。

超像素可视为小的均匀图像区域。像素之间的距离的评估与双边过滤中的评估相同，即像素空间距离与视觉相似度之间的混合，当它们接近且相似时变为0，否则达到更大的值。
然后，超像素方法尝试各种标准以针对此度量形成小的均匀区域。其中有很多（基于图，基于模式搜索/基于聚类...），所以我认为最好向您介绍此技术报告。

（编辑：)如果有人正在寻找发表的经过同行评审的作品，则本文由同一作者撰写，涵盖的内容与技术报告相同： R。Achanta，A。Shaji，K。Smith，A。Lucchi， P. Fua，S。Susstrunk：SLIC超像素与最先进的超像素方法的比较

请注意，在我撰写答案的第一版时，从视觉上看，结果与分水岭的过度细分所提供的结果非常相似。技术报告的作者证实了这一点，他们在相关工作部分中包括了分水岭。因此，您还需要执行相同的后处理：虽然超像素可以代替像素使用，但可以方便使用，但如果您需要跟踪/检测对象，则仍需要对它们进行分组以形成更高级别的区域。

基于图的分割方法

另一个流行的算法家族来自像素关系分析，即像素外观如何接近。这产生了基于图论的分割方法系列，例如归一化分割（J. Shi，J。Malik：归一化分割和图像分割）。

这是这种方法的直觉：假设您的像素现在是高维图的点（顶点）。
在图中，两个顶点可以通过一条边连接，一条边的权重与这两个顶点之间的距离成反比。通常，权重函数将是它们的空间距离和它们的视觉相似度8as在双边过滤中的混合的倒数。
然后，在给定该图的情况下，分割算法可以寻找最佳的顶点簇，即，具有较小的组内距离和较大的组外距离的顶点组。

在归一化割方法中，要采取一些额外的措施，以避免群集的不同种群规模引入的任何偏差。此外，可以通过计算权重矩阵的SVD来避免图探索，权重矩阵在图论中也称为连通性矩阵。

我想对用于分割的最新算法的全局概述需要寻找最新的调查。Szeliski的著作中对挑战进行了全面的概述。