① 圖像分割最好方法
1.基於閾值的分割方法
閾值法的基本思想是基於圖像的灰度特徵來計算一個或多個灰度閾值，並將圖像中每個像素的灰度值與閾值作比較，最後將像素根據比較結果分到合適的類別中。因此，該方法最為關鍵的一步就是按照某個准則函數來求解最佳灰度閾值。
閾值法特別適用於目標和背景占據不同灰度級范圍的圖。圖像若只有目標和背景兩大類，那麼只需要選取一個閾值進行分割，此方法成為單閾值分割；但是如果圖像中有多個目標需要提取，單一閾值的分割就會出現作物，在這種情況下就需要選取多個閾值將每個目標分隔開，這種分割方法相應的成為多閾值分割。
2.基於區域的圖像分割方法
基於區域的分割方法是以直接尋找區域為基礎的分割技術，基於區域提取方法有兩種基本形式：一種是區域生長，從單個像素出發，逐步合並以形成所需要的分割區域；另一種是從全局出發，逐步切割至所需的分割區域。
分水嶺演算法
分水嶺演算法是一個非常好理解的演算法，它根據分水嶺的構成來考慮圖像的分割，現實中我們可以想像成有山和湖的景象，那麼一定是水繞山山圍水的景象。
分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。
② python怎麼做快速圖像分割演算法
時間序列模型最常用最強大的的工具就是遞歸神經網路（recurrent neural network, RNN）。相比與普通神經網路的各計算結果之間相互獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一次的隱含層結果相關。
通過這種方法，RNN的計算結果便具備了記憶之前幾次結果的特點。
③ 圖像分割
圖A的按照圖B的直方圖進行規定化也只是近似規定化，就是如何將圖A中個像素值的灰度值變化得到一幅新圖，該圖的灰度值按照圖B直方圖的規律進行分布。這很難得到嚴格遵守圖B的直方圖分布規律。這種逼近有很多種演算法。
這個就可以了：演示其中一張圖
%規定化直方圖
clear all
clc
A=imread('girl.png'); %讀入圖像
A=rgb2gray(A);
imshow(A) %顯示出來
title('輸入圖像')
%繪制直方圖
[m,n]=size(A); %測量圖像尺寸
B=zeros(1,256); %預創建存放灰度出現概率的向量
for k=0:255
B(k+1)=length(find(A==k)); %計算每級灰度出現的概率，將其存入B中相應位置
end
figure,bar(0:255,B,'g'); %繪制直方圖
title('原圖像直方圖')
xlabel('灰度值')
ylabel('出現概率')
axis([0,260,0,0.026])
S1=zeros(1,256);
for i=1:256
for j=1:i
S1(i)=B(j)+S1(i); %計算原灰度圖累計直方圖
end
end
S3=zeros(1,256);
for i=1:150
S3(i+80)=B(i);
end
S4=zeros(1,256);
for i=81:230
S4(i)=B(i)+S3(i);
end
counts=S4;
S2=zeros(1,256);
for i=1:256
for j=1:i
S2(i)=counts(j)+S2(i);
end
end; %"累計"規定化直方圖
%對比直方圖，找到相差最小的灰度級
S=zeros(256,256);
for i=1:256
for j=1:256
S(j,i)=abs(S2(j)-S1(i));
end
end
[Y,T]=min(S);
%確定變換關系，重組直方圖
for j=1:256
H(j)=sum(B(find(T==j)));
end
figure,bar(0:255,H,'g') %顯示規定化後的直方圖
title('規定化後的直方圖')
xlabel('灰度值')
ylabel('出現概率')
axis([0,260,0,0.03])
%顯示規定圖
PA=A;
for i=0:255
PA(find(A==i))=T(i+1); %將各個像素歸一化後的灰度值賦給這個像素
end
figure,imshow(PA) %顯示均衡化後的圖像
title('規定化後圖像')
④ OCR圖像文字識別圖像分割演算法
對於文字ocr中的分割步驟應用的演算法一般是個綜合體，不是像你說的單一某種演算法可完成的
比如不粘連的 可以用連通檢測分割， 粘連的一般會用投影分割加驗知，粘連厲害的可以用像滴水法等
⑤ 如何分析一個圖像分割演算法
論文閱讀筆記：圖像分割方法deeplab以及Hole演算法解析
deeplab發表在ICLR 2015上。論文下載地址：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS.
deeplab方法概述
deeplab方法分為兩步走，第一步仍然採用了FCN得到 coarse score map並插值到原圖像大小，然後第二步借用fully connected CRF對從FCN得到的分割結果進行細節上的refine。
下面這張圖很清楚地展示了整個結構：
然後這張圖展示了CRF處理前後的效果對比，可以看出用了CRF以後，細節確實改善了很多：
deeplab對FCN更加優雅的處理方式
在第一步中，deeplab仍然採用了FCN來得到score map,並且也是在VGG網路上進行fine-tuning。但是在得到score map的處理方式上，要比原FCN處理的優雅很多。
還記得CVPR 2015的FCN中是怎麼得到一個更加dense的score map的嗎？ 是一張500x500的輸入圖像，直接在第一個卷積層上conv1_1來了一個100的大padding。最終在fc7層勉強得到一個16x16的score map。雖然處理上稍顯粗糙，但是畢竟人家是第一次將圖像分割在CNN上搞成end-to-end，並且在當時performance是state-of-the-art，也很理解。
deeplab摒棄了這種做法，取而代之的是對VGG的網路結構上做了小改動：將VGG網路的pool4和pool5層的stride由原來的2改為了1。就是這樣一個改動，使得vgg網路總的stride由原來的32變成8，進而使得在輸入圖像為514x514，正常的padding時，fc7能得到67x67的score map, 要比FCN確實要dense很多很多。
但是這種改變網路結果的做法也帶來了一個問題： stride改變以後，如果想繼續利用vgg model進行fine tuning，會導致後面filter作用的區域發生改變，換句話說就是感受野發生變化。這個問題在下圖(a) (b)中通過花括弧體現出來了:
Hole演算法
於是乎，作者想出了一招，來解決兩個看似有點矛盾的問題：
既想利用已經訓練好的模型進行fine-tuning，又想改變網路結構得到更加dense的score map.
這個解決辦法就是採用Hole演算法。如下圖(a) (b)所示，在以往的卷積或者pooling中，一個filter中相鄰的權重作用在feature map上的位置都是物理上連續的。如下圖(c)所示，為了保證感受野不發生變化，某一層的stride由2變為1以後，後面的層需要採用hole演算法，具體來講就是將連續的連接關系是根據hole size大小變成skip連接的（圖(c)為了顯示方便直接畫在本層上了）。不要被(c)中的padding為2嚇著了，其實2個padding不會同時和一個filter相連。
pool4的stride由2變為1，則緊接著的conv5_1, conv5_2和conv5_3中hole size為2。接著pool5由2變為1, 則後面的fc6中hole size為4。
代碼
主要是im2col(前傳)和col2im(反傳)中做了改動 (增加了hole_w, hole_h)，這里只貼cpu的用於理解：
⑥ 圖像分割演算法 的大致流程（最好是MRF）
http://..com/question/29169347.html
⑦ 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
⑧ 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。
⑨ 聚類的圖像分割演算法
《C語言數值演算法程序大全》第二版，定價88元，樓主掏點金子吧，我手頭有一本，不過你看不著。