多媒体搜索引擎VIP免费

机器学习与数据挖掘样本准备样本准备对象分割对象在文档中可能只占很小比例用整个文档提取的特征含有大量噪声特征与特征提取使用什么样的特征？如何计算？如何进行预处理？……样本选择正负样本数可能严重失衡（1:10，1:100）样本可能包含噪声图像分割如何分割需要被分割成不同部分的对象有什么不同？第一类图像：前景与背景图像分割前景与背景分割假设：前景与背景亮度不同一个暗一个亮阈值分割阈值如何求最优分割阈值？图像分割前景与背景分割基于直方图的方法直方图：图像灰度级的离散概率密度函数如何发现这个点？图像分割前景与背景分割最大熵算法熵：物理含义：分布的“均匀性”越均匀，熵越大越不均匀，熵越小spspHs1log]255,0[图像分割前景与背景分割最大熵算法图像假设：前景/背景亮度不同直方图如同时包含前景和背景，则其熵将变小如只包含前景或背景，熵将变大把直方图分解成两部分，分别计算熵，两部分熵的和最大时为最佳分割阈值H1H221]255,0[maxargˆHHTs很强很完美？图像分割前景与背景分割最大熵算法图像噪声影响直方图0.00500.001000.001500.002000.002500.000.0050.00100.00150.00200.00250.00ih(i)NoisefreeLownoiseHighnoise图像分割前景与背景分割最大熵算法如何解决？图像分割前景与背景分割物体的分布区域是空间连续的相邻像素应该有相同的分类很可能是噪声如何利用这些信息?图像分割前景与背景分割松弛算法P(i):像素i是前/背景的概率ii1i2i3i4i5i6i7i881,...,~~iPiPFiPiPiPpixelmax/gigiPpixel像素值25581,...,~iPiPFiPyxjiPiPiPFiP,...,,...,~先有鸡？先有蛋？图像分割前景与背景分割先有鸡？先有蛋？恐龙象鸡蛋的恐龙蛋象鸡的恐龙更象一点的蛋再象一点的鸡……高产芦花鸡优质土鸡蛋……“鸡蛋同出”迭代优化EM算法图像分割前景与背景分割松弛算法初始化:迭代：iPiPpixel08111,...,iPiPFiPttt))(1)((~)(1ipiPiPtt?)(ip图像分割前景与背景分割松弛算法))(1()()(hdhshiPciPciq8181)(hhiqip同质奖励异质惩罚>0<0反复迭代多次，直至收敛同等对待所有邻域图像分割前景与背景分割松弛算法待分割图像阈值分割松弛算法还有更高级、更复杂的算法图像分割前景与背景分割实际应用：指纹图像处理很强很完美？图像分割前景与背景分割实际图像并非一定有显著亮度/颜色差异可以是纹理差异可以是…没有差异！？有边缘线条画前/背景有多个物体还可能互相遮盖图像分割对象分割(ObjectSegmentation)把图像分解成对象“对象”：具有独立语义的图像区域人脸眼睛、鼻子、眉毛？人？不同应用有不同“粒度”图像分割对象分割人眼分割物体的方法边缘：人眼对边缘敏感通过边缘分割物体检测边缘边缘所围的区域为物体如何检测边缘？图像分割对象分割边缘检测边缘的数学模型灰度级一阶导数二阶导数图像分割对象分割边缘检测图像的一阶导数图像是二维的只能求偏导数结果为矢量梯度矢量yfxfGGFyx2122yxGGFmagf幅度：yxGGyxarctan,方向：图像分割对象分割边缘检测检测算子：用卷积对一阶偏导数的近似-1-1-1000111-101-101-101011-101-1-10-1-10-101011-1-2-1000121-101-202-101012-101-2-10-2-10-101012PrewittSobel水平垂直-45°+45°图像分割对象分割Sobel算子检测例很强很完美？图像分割对象分割边缘检测的问题噪声敏感导数反映的是变化噪声是高频的变化阶越高对噪声越敏感很少使用二阶导数基本上不考虑更高阶的导数图像分割对象分割边缘检测的问题不大可能总是检测出连续的边缘图像分割对象分割局部连接如果在很近的领域内像素的梯度幅度和方向都很相似，则连接...