深度学习图像处理目标检测图像分割计算机视觉 03--传统方式的图像处理

摘要

本文主要介绍传统方式的图像处理。在没有深度学习时，使用什么方式来处理图像。深度学习与传统的方式做图像处理有什么区别与联系。主要介绍使用图论的方式做图像分割，用haar-like特征加级联分类器做人脸检测，用HOG+SVM和DPM做行人检测。
This article mainly introduces traditional image processing. In the absence of deep learning, what method is used to process images. What is the difference and connection between deep learning and traditional image processing? It mainly introduces the use of graph theory for image segmentation, the use of haar-like features and cascade classifiers for face detection, and the use of HOG+SVM and DPM for pedestrian detection.

一、图像分割

图像分割指的是按照灰度、颜色、纹理和形状特征把图像分为若干互不交迭的区域。经典的数字图像分割算法一般是基于灰度值的两个特征：不连续性和相似性。

1.1 基于阈值的分割方法

1.2 基于边缘的分割方法

1.3 基于区域的分割方法

1.3.1 种子区域生长法

1.3.2 分水岭算法

1.4 基于图论的分割方法

1.4.1 Graph Cut

1.4.2 GrabCut

二、人脸检测

2.1 Haar-like特征

2.2 级联分类器

一个弱学习器的要求仅仅是:它能够以稍低于50%的错误率来区分人脸和非人脸图像。
训练一个弱分类器就是在当前权重分布的情况下，确定f的最优阈值，使得这个弱分类器对所有训练样本的分类误差最低。
最后将每轮得到的最佳弱分类器按照一定方法提升（Boosting）为强分类器。