Ⅰ 用graphcut演算法分割圖像時，怎樣顯示最終的分割圖像
這個屬於Graph Cut的內容，馬爾科夫隨機場的含義直觀上講就是，圖像的每個像素的前景、背景標定只與相鄰像素有關，學過隨即過程的應該很容易理解這個，當前狀態只與上一狀態有關。每個像素都有一個屬於前景的概率和一個屬於背景的概率，那麼作為能量函數中的數據項，能量函數將對錯誤的標定（如，原本屬於前景，但分割過程將其劃定為背景），那麼將會對其進行懲罰，這個懲罰就是通過最大後驗概率來算的，就是取概率的負對數。能量函數中的平滑項，是對相鄰像素劃為不同類別的懲罰。MAP+MRF是圖割模型的基礎。
Ⅱ meanshift分割演算法
1.識別靜態的整個人體較難；即使識別出來結果也不可靠，所以現在主要以手勢/人臉識別為主；這是因為手和臉上面有比較獨特的特徵點。你說的濾波歸根結底還是要找出具有灰度跳變的高頻部分作為人體；這除非背景中除了人以外沒有其他突出的物體；否則光憑濾波二值法檢測人體是不太現實。
2 兩張圖片中人要是產生相對運動，檢測起來就容易多了；利用幀間差分找到圖像中灰度相差大的部分（你用的濾波也是一種手段）；然後二值化區域連通；要是圖像中沒有其他移動物體計算連通區域的變動方向就是人的運動方向。
你可以去PUDN上搜搜相關的目標檢測的代碼;完全和你這個對應是不可能的。照你說的情況可以先建立起靜態背景的模型（或者直接在沒人的時候拍張）；然後不斷的與這個背景做差，原理和幀間差分一樣。建議你先從典型的幀間差分常式開始下手（比如移動車輛的檢測，這個比較多）。
你在二值化之後加上一個區域連通的步驟；即使用膨脹或者閉運算；這樣你的輪廓就是連續的了；用matlab的話bwlabel可以統計連通區域裡面像素的個數也就是人體面積大小。質心就是橫豎坐標的平均值；取所有人體點的橫豎坐標分別累加；除以坐標總數得到的x和y平均值；這個就是質心了
Ⅲ 傳統的圖像分割方法有哪些
1.基於閾值的分割方法
灰度閾值分割法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的變化
其中，T為閾值；對於物體的圖像元素，g(i,j)=1，對於背景的圖像元素，g(i,j)=0。
由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個適合的閾值就可准確地將圖像分割開來。閾值確定後，閾值與像素點的灰度值比較和像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用於軟體實現），它得到了廣泛應用。
2.基於區域的分割方法
區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。
(1)區域生長
區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似准則來判定）合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。
(2)區域分裂合並
區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。
3.基於邊緣的分割方法
基於邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區域的終結，即另一個區域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。
4.基於特定理論的分割方法
圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基於聚類分析的圖像分割方法、基於模糊集理論的分割方法等。
5.基於基因編碼的分割方法
基於基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優點，但演算法實現起來比較難。
6.基於小波變換的分割方法
小波變換是近年來得到廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，並且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。
基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算會與圖像尺寸大小呈線性變化。
7.基於神經網路的分割方法
近年來，人工神經網路識別技術已經引起了廣泛的關注，並應用於圖像分割。基於神經網路的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然後用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網路存在巨量的連接，容易引入空間信息，能較好地解決圖像中的雜訊和不均勻問題。選擇何種網路結構是這種方法要解決的主要問題。
Ⅳ 跪求圖像分割snake演算法詳細解釋
主要公式為曲線能量Esnake(公式1)；Esnake由內部能量Eint(公式2)及外部能量Eext(公式3)組成；而根據公式2內部能量Eint是由一階導得到的平滑性約束(彈性繩子)二階導得到的氣球約束(剛性棍子)共同決定；根據公式3外部能Eext由梯度場決定(另一個分量不考慮)那麼粗略表示為Esnake=Vs+Vss+Eext；可以認為當Esnake的能量達到最小時snake曲線和物體的邊緣一致。
上面這些基本是每個論文上面都有的，下面照我的理解來講。結合很多論文上用的那個U形物體，snake檢測它的輪廓時，預先以一個圓形的像素圈套住它作為初始的snake線，可以取一定個數的點來離散化snake線,那麼這時就可以求這條snake線與原始圖像間的曲線能量Esnake了；Vs對應的是一階的平滑性，可轉化為snake線中相鄰像素之間的坐標差;差值越大能量越大平滑性也就越差；Vss對應的是二階的剛性；可轉化為snake線中某點和它相鄰的線上點間的法線方向的增長度量;Eext是梯度場能量，是由原本的灰度圖決定的，可轉化為snake中某點在灰度圖中的鄰域梯度。求出了這三個；再以一定的方式進行循環逼近那個使Esnake最小的snake線就找到了輪廓。
過獎了~我也是在研究中，你留個郵箱，我發個程序給你，看實例好理解點
Ⅳ 閾值分割的演算法或源代碼
http://www.tianyablog.com/blogger/post_show.asp?BlogID=282197&PostID=3491592&idWriter=0&Key=0
Ⅵ 音樂分割演算法是什麼意思
摘要 你好，音樂分割演算法應該指的是切分音，切分音是一種節奏形式：三個組成音的第一個音與第三個音的時值總和、跟中間那個音的時值相等。
Ⅶ 分割演算法
x沒有定義就使用了，定義一下，
要不然把Seg=zeros(x,y)
那句話不要了，只是一個初始化的命令，好像可以不要
Ⅷ 在圖像處理中，有什麼演算法可以將目標分割成幾個部分
可以用閾值化技術、邊緣檢測、邊界跟蹤等等
至於演算法，有分水嶺演算法、各種門限運算元
灰度門限法（最大類間方差、最大後驗概率、最小風險法...）
Ⅸ 圖像分割演算法那麼多 如何正確的使用適合的演算法
從學術角度講圖像分割主要分成3大類，一是基於邊緣的，二是基於區域的，三是基於紋理的。由於基於紋理的也可以看成是基於區域的，所以有些專家也把分割方法分成基於邊緣和基於區域兩大類。
選擇演算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基於邊緣的方法就可行。但如果是像醫學圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基於邊緣的方法就不合適了，用基於區域的方法更好。再比如帶紋理的圖像，例如條紋衫，如果用基於邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基於紋理的方法就能把紋理相同或相似的區域分成一個整體。
不過總體來說，基於區域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。