互動式分割方法有哪些

Ⅰ 圖像分割的分割方法

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的如下變換：
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，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且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(如用於硬體實現)，它得到了廣泛應用。
人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用於背景和前景有明顯對比的圖像。它是根據整幅圖像確定的：T=T(f)。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特徵，因而對雜訊很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統一的閾值將物體與背景分開。這時可以根據圖像的局部特徵分別採用不同的閾值進行分割。實際處理時，需要按照具體問題將圖像分成若乾子區域分別選擇閾值，或者動態地根據一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。
閾值的選擇需要根據具體問題來確定，一般通過實驗來確定。對於給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和(b)分別為用全局閾值和自適應閾值對經典的Lena圖像進行分割的結果。
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。 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。
區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。區域生長法的優點是計算簡單，對於較均勻的連通目標有較好的分割效果。它的缺點是需要人為確定種子點，對雜訊敏感，可能導致區域內有空洞。另外，它是一種串列演算法，當目標較大時，分割速度較慢，因此在設計演算法時，要盡量提高效率。
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。
在這類方法中，最常用的方法是四叉樹分解法(如圖3所示)。設R代表整個正方形圖像區域，P代表邏輯謂詞。基本分裂合並演算法步驟如下：(1)對任一個區域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；
(2)對相鄰的兩個區域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合並起來。
(3)如果進一步的分裂或合並都不可能，則結束。
分裂合並法的關鍵是分裂合並准則的設計。這種方法對復雜圖像的分割效果較好，但演算法較復雜，計算量大，分裂還可能破壞區域的邊界。 圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。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。
圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。
由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，如圖4所示。其中loG運算元是採用Laplacian運算元求高斯函數的二階導數，Canny運算元是高斯函數的一階導數，它在雜訊抑制和邊緣檢測之間取得了較好的平衡。關於微分運算元的邊緣檢測的詳細內容可參考文獻 。 與其他圖像分割方法相比，基於直方圖的方法是非常有效的圖像分割方法，因為他們通常只需要一個通過像素。在這種方法中，直方圖是從圖像中的像素的計算，並在直方圖的波峰和波谷是用於定點陣圖像中的簇。顏色和強度可以作為衡量。
這種技術的一種改進是遞歸應用直方圖求法的集群中的形象以分成更小的簇。重復此操作，使用更小的簇直到沒有更多的集群的形成。
基於直方圖的方法也能很快適應於多個幀，同時保持他們的單通效率。直方圖可以在多個幀被考慮的時候採取多種方式。同樣的方法是採取一個框架可以應用到多個，和之後的結果合並，山峰和山谷在以前很難識別，但現在更容易區分。直方圖也可以應用於每一個像素的基礎上，將得到的信息被用來確定的像素點的位置最常見的顏色。這種方法部分基於主動對象和一個靜態的環境，導致在不同類型的視頻分割提供跟蹤。

Ⅱ 圖像分割演算法分為幾類

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汪余豎割的圖像樣毀帆本的特點。
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困大行。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。

Ⅲ MAYA建模互動式分割工具加上線確定後，新加的線就自動變了，不是按之前加線的方向走，怎麼回事啊

你用的是maya2013嗎，我也經常遇到這樣的問題，解決緩廳方法一是變化一下角度試一下，二是確定以後方向錯的閉哪枝線不用管它你繼續按原來方向走線，成功以後再把原來的錯線刪除就可以了，可能是軟體的問題轎敏。

Ⅳ 什麼是圖像分割

1 數字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發展歷史不長，但卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎，因此，數字圖像成為心理學、生理學、計算機科學等諸多領域內的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。

基於圖論的圖像分割技術是近年來國際上圖像分割領域的一個新的研究熱點。該方法將圖像映射為帶權無向圖，把像素視作節點。利用最小剪切准則得到圖像的最佳分割 該方法本質上將圖像分割問題轉化為最優化問題。是一種點對聚類方法。對數據聚類也具有很好的應用前景。但由於其涉及的理論知識較多，應用也還處在初級階段。因此國內這方面的研究報道並不多見，本文將對圖論方法用於圖像分割的基本理論進行簡要介紹，並對當前圖論方法用於圖像分割的最新研究進展進行綜述，並著重介紹基於等周圖割的圖像分割的方法。

2 圖像目標分割與提取技術綜述

圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用於任何圖像，而另一些只能適用於特殊類別的圖像。有些演算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設置門限的方法分割。值得提出的是，沒有唯一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數據，不同類型的圖像，已經有相對應的分割方法對其分割，同時，某些分割方法也只是適合於某些特殊類型的圖像分割。分割結果的好壞需要根據具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結果的好壞直接影響對圖像的理解。

3 定義及分割方法
為後續工作有效進行而將圖像劃分為若干個有意義的區域的技術稱為圖像分割(Image Segmentation)
目前,有許多的圖像分割方法,從分割操作策略上講,可以分為基於區域生成的分割方法,基於邊界檢測的分割方法和區域生成與邊界檢測的混合方法.

Ⅳ 互動式變形工具包括幾種變形方法

在網上找的，自己又試了下，可以出來好多手繪出不來的效果 令人驚訝的變化 通過改變對象變形的數值，你可以快速創建更多種類的花朵樣式。下面的這個例子我們會使用同一個對 象來創建一個令人眼花繚亂的精彩效果，來體驗這個工具真正的實力。我們將在上個例子的基礎上繼續。 1.使用互動式變形工具，選擇圓形模板，點擊屬性欄中的Clear Distortion（清除變形）按鈕兩次，清除對 象上當前的變形效果。使用推拉變形模式，將振幅設為5，然後應用拉鏈變形，點擊隨機和平滑按鈕，將振幅 設為100，頻率設為20。現在的圓形模板形狀為不規則的波浪形。（圖07） 圖07 2.使用挑選工具以選取框選擇所有花瓣對象，按F11打開填充對話框，改變自定義填充選項如下：位置為 0，顏色為紅色，位置在100的顏色為黃色，原來在65的洋紅色位置改為40，顏色改為黃色，確定後關閉對話 框。（圖08） 圖08 3.在花瓣對象被全部選擇的情況下，選擇互動式變形工具，點擊一次清除變形按鈕，使對象恢復到變形前 的波浪形狀。使用復制變形屬性按鈕，用標示指針點擊第一步中所制的圓形模板，隨後會出現一個警告框， 提醒你變形很復雜可能需要幾分鍾時間，是否要繼續。點擊確定後等待程序處理過程。（圖09） 圖09 4.如果有的話，移除所有的對象輪廓屬性，這樣我們所要的效果就完成了。像下圖所示的那樣，這個例子 中的花朵有著穗狀的花瓣和復雜的外形。（圖10） 圖10 結合變形和調和 你還可以將一種調和效果和變形效果結合在一起，對花朵造型創造出其它變化。這個例子步驟可能有些 簡短，但效果卻不會令人失望。製作過程包括了對圓形曲線第一次變形和與縮小的副本進行調和，下面是具 體步驟： 1.首先，使用橢圓工具繪制一個直徑大約為3英寸的圓形（按住Ctrl鍵強制橢圓為正圓形），將圓形轉換為 曲線(Ctrl+Q)。選擇形狀工具，按下Shift+Ctrl鍵，點擊圓形曲線上4個節點中的任何槐攔一個，以選擇曲線上全部 節點。然後，按下數字鍵盤上的「+」，增肆洞加4個節點，新增的節點位於現有兩個節點的正中間；再一次按下 「+」，在曲線上增加更多的節點（這一次增加的數量為8個）。這樣以來，原有的4個節點加上新增的12個節 點將圓形曲線平均分為16段，如圖11所示。（圖11） 圖11 2.選擇互動式變形工具，選擇推拉變形模式，並將振幅設為-50（注意是一個負值），用100％黃填充對 象，去除輪廓屬性。對象變為花朵形狀。使用挑選工具，按下Shift鍵，向內拖動形狀的任一個角控點，直至 輪廓為原形狀大小的10％左右鉛雹胡，點擊滑鼠右鍵，創建一個對象副本。保持選擇狀態，用紅色填充副本對象， 和原件加以區別。（圖12）
記得採納啊

Ⅵ 用Maya2012 互動式分割工具，選擇一點時，為什麼只能選擇線上的中點 或定點怎麼改

你說的是SplitPolygonTool吧！選擇工具後，會出現如圖右下角的圖標，雙擊它，出現工具的設置面板，將Snapping茄消雀tolerance的值橋睜設置為0即可

學習maya等軟體非常不建議使用中文版，因為中文版由很多翻譯上的問題，一些詞彙根本沒法翻譯，並且不穩定，一些插件什麼的根本沒有中文補丁，長期依賴中顫早文版會喪失自學能力。

Ⅶ 瑪雅 maya2014 互動式分割工具如何隔線連點

你按住shift鍵加滑鼠右鍵。上面會有互動式分割工具，把滑鼠移動到此命令的慧脊後面森簡正方形框中，接下來右邊會出現一個設置區，忘記是圓滑還是平滑。如果你的是180就調到0，如果是此碧褲0就調到180。要是還是沒用，那你就重啟maya吧。

Ⅷ 交互分割實戰知識筆記(1)：感受野計算

對於分割網路而言，CNN是十分核心的部分。
由於以前都是比較零散地去了解一些CNN相關的東西以使用CNN網路，
對於CNN一些基礎概念的理解非常淺薄。
最近終於還是下了決心仔細地補一下基礎，本文將首先針對CNN，
進行一個知識點的記錄。

一個標準的卷積過程如上， 的輸入
和一個 的卷積核進行卷積運算，
最後得到的是 的輸出。

將上一級輸入進過一個卷積層處理完之後得到的輸出，
可以看做是上一級輸入內容在空間維度上的某一級別的特徵表示，所以被稱為 特徵圖 。

特徵圖大小的計算大談含公式可簡單總結為：

， 分別為輸出的特徵圖大小和上一層的特徵圖/輸入數據大小。

感受野 是指 特徵圖 上的一個點在輸入空間上所受影響的區域，
用人話說也就是 特徵圖上的點對應的原始數據上的空間大小 。

以上圖的標准卷積過程為例，
輸出的 是有輸入的一個 的區域計算而來的，
也就是它能夠 感受到這個區域的信息 。

感受野大小的計算公式可簡單總結為：

， 分別為輸入輸出特徵圖的感受野，原始圖像感受野為 。

顯而易見，卷積操作讓圖像縮水了一圈，影響了圖像的解析度。

為了平衡這種影響，直接在圖像周圍填充一圈，就可以讓圖像的feature map尺寸維持不變。

如圖所示，padding操作影響了輸出的大小，加入padding後的feature map size和 receptive field size計算公式如下：

為兩側padding之和。

當輸入圖像過大的時候，卷積操作是很費時的，
那麼是否可以 跳著卷積 ，就像 數據抽稀 一樣呢？

答案顯然是肯定的，這同樣也是卷積的基礎操作之一，按照一定步幅(stride)進行跳步(stride)。

如上圖所示，對 的圖像進行 的padding，得到 的輸入；
如果按照傳統卷積方式， 的卷積核顯而易見會輸出 的輸出。

此處執行跳步卷積，在 的橫向下一個位置為 ，豎向下一個位置為
步幅為 ，當跳步後的位置不足以進行卷積運算時則跳轉到下一行。

考慮到stride後，公式更新為：

空洞卷積/帶洞卷積/膨脹卷積，dilation convolution有很多翻譯。這種形式的卷積核比傳統的卷積核多 帶 了一些 空洞 ，因而尺寸就 膨脹 了滾笑。

相當於一種折中的增大卷積核的方法，卷積核變大了，但是中間很多地方是洞，所以計算量不怎麼變。

考慮到dilation後，
使用
替換原公式中的 ，
公式更新為：

比較常見的卷積核大小為 、 ，
理論上越大的卷積核提取的信息就越 全局 ，學術點說就是 感受野隨卷積核大小增大 。

但是理論上兩個 卷積核的嵌套就可以替代一個 的卷積核，
但是計算量上，兩個 的卷積核為 級別，
而一個 的卷積核為 級別。

顯而易見，計算量隨卷積核的大小 指數級增長 ，所以明顯 使用多個小卷積核的卷積層是更經濟的 。

所以侍陪在一般問題中，我們都選用 的卷積核。

從原理上說，stride代表對圖像特徵提取的精度， stride越大則精度越低 。

作用類似於pooling，可以模糊一些特徵，從而降低過擬合。

dilation來自於 [1] ，由於之前的CNN通常使用conv + pooling的方式先提取並濃縮特徵，
然後再將特徵upsampling回原始解析度。

pooling雖然增大了感受野，卻丟失了信息；dilation方式可以擴大感受野，減少信息損失
卻又不增加計算量。

不過顯然，dilation也存在以下問題：

據說這兩篇文章 [2] [3] 中著重提了這些問題。

Ⅸ 互動式電子白板中怎麼畫分割線

打開電子白板軟體，在里邊工具欄菜單中選擇畫線圖標按鈕，在里邊沖段判會燃枯有很多選項的，例如線段，箭頭，虛線等，點選您要使用的分割線，在界面中拖拽即可。

我們就是互動式電子白板廠家散改，有這方面的問題都可以交流！