中文翻译

图像分割的评价：一个无监督方法综述摘要图像分割是一个重要的许多图像，视频和计算机视觉应用的处理步骤。

已经做了广泛的研究，创造许多不同的方法和图像分割算法，但它仍然是难以评估一个人是否比另一种算法产生更准确的分割，无论是为特定的图像或图像集，或更普遍，因为全班的图像。

迄今为止，用于评估一个分割方法的有效性最常用的方法是主观的评价，其中一人的视觉上比较了不同的分割算法的图像分割结果，这是一个繁琐的过程，本质上限制了评价深度相对较小分割比较的次数超过预定的一套图像。

另一种常见的评价方法是评价监督，其中一个分割图像分割是针对手动或预先处理的参考图像进行比较。

评价方法要求用户援助，如主观评价和监督评价，在许多视觉应用不可行的，所以监督的方法是必要的。

非监督评价使这两个不同的分割方法和单一的方法不同的参数化客观的比较，而无需与手动分段或预加工的参考图像人类视觉比较或比较。

此外，非监督方法生成的图像和影像的个人可能要等到评估时间已知特性的结果。

非监督方法是至关重要的实时分割评价，并能进一步使自我评价结果为基础的算法参数调整。

在本文中，我们要研究监督的客观评价，已在文献中提出的方法。

对这些广泛的评估方法介绍。

的优势和在这些方法的基本设计缺陷的机制进行了讨论和分析评价，通过评价和实证分析。

最后，在无人监督的评价研究，提出了未来可能的方向。

关键词：图像分割;客观评价;无监督评价;实证善措施1，简介图像分割是在许多图像，视频和计算机视觉应用的基本过程。

它往往是用来分割成独立的区域，对应不同的理想而现实世界的物体的图像。

这是一个对内容分析和图像理解的关键一步。

许多分割方法得到发展，但仍然没有令人满意的表现衡量，这使得它很难比较不同的分割方法，或单一的方法甚至不同的参数化。

然而，能够比较两个分割（通常是通过两种不同的方法/参数化取得）在应用程序无关的方式很重要：（1）自主选择在两个分割的算法或在更广泛的应用成为可能分割;（2）放在一个坚实的实验和科学依据新的或现有的分割算法[1];（3）监测结果在飞行分割，使分割性能可以得到保证，可以保持一致性[2]。

设计一个良好的分割质量已知的硬措施是解决问题的一些研究人员甚至觉得这是不可能的。

每个人都有他/她有一个良好的分割和不同的应用不同的标准可以更好地利用不同的区隔功能。

虽然较好的分割的标准往往是依赖于应用程序，很难明确地界定为许多应用，有利于之间的分割和劣势一个区别是明显的。

这是可能的（和必要的），以设计性能的措施，捕捉这种差异。

虽然图像分割算法的开发已引起广泛关注和一致的，相对较少的研究已经做了分割评价。

多数评价方法或者主观的，或限于特定的应用程序。

一些客观的评价方法已经被提出，但其中大部分都在受到监督的客观评价，这是需要访问的地面真实客观的参考方法领域以来，即手动分割参考图像。

相反，无监督的客观评价的区域，在一个质量得分完全是基于图像的分割，也就是说，它并不需要与手动分割参考图像相比，已经很少受到关注。

无监督分割评价的主要优点是，它不要求分割，对付一个手动分割参考图像进行比较。

这种优势是不可缺少的通用细分应用，如实时系统，凡与未知的内容，没有大量的各种地面实况图像需要被嵌入的分割。

能够评估一个手动分割参考图像分割独立，不仅使分割图像的任何评价，但也使自我调整的独特潜力。

无监督的客观评价方法的类是只类的评价方法提供分割算法的能力进行自我调整。

大多数分割方法是手动调谐;为分割算法的参数确定系统开发过程中，系统部署之前的基础上，生成的参数超过预先确定的测试图像集最佳的整体分割结果集。

然而，这些参数可能不适合的图像分割以后适当的。

这将是最好有一个自调谐的分割方法，可以动态调整分割算法的参数，以自动确定参数选项产生更好的结果。

Pichel等。

[72]最近提出一个这样的系统，它采用无监督的评价方法来评价和合并次最佳分割结果，以产生最后的分割。

监督分割评估方法不仅使这个图像，有关的手动参考图像分割已经存在的能力。

只有监督的客观评价方法，不需要生成一个参考图像分割的评价指标，提供这任何通用图像的能力。

本文提供了一个无监督评价研究文献提出的方法调查。

它提出这些方法的深入分析，分类的基础上对他们的相似之处现有的方法，然后讨论了它们的具体差异。

阿多的经验进行评估，比较了这些无人监督的评价方法9的相对性能。

最后，根据理论分析和实验结果的基础上，我们提出在无监督分割评价研究的可能方向。

本文的其余部分组织如下：在第二节中，我们提供了一个评价方法的分割不同的概述。

在第3节，我们给出了非监督的评价，已提出在文献中，分类对他们使用的技术评估的分数为基础生成其不同的方法方法的详细分析。

执行第4号评估的实验，经验在各种不同的情况对现有无监督分割评价方法9。

这些方法的进一步分析载列在第5节。

第6条意见多层次的监督的新的评价方法，结合现有方法的结果，以达到更好的整体性能。

最后，结论和未来研究的方向在无人监督的评价方法，讨论了第7。

2。

分割评价2.1。

当前评价方法的层次结构许多图像分割方法已经被提出，在过去几十年。

随着新的分割方法已经被提出，各种方法的评价已被用来比较新的分割方法来事先方法。

这些方法基本上是非常不同，可以划分基于五个不同的方法，如图所示。

1。

图。

1。

评价方法的分割层次。

我们在本文的重点是在无人监督的客观评价。

根据评估检查是否有人类视觉上的分割图像与否，这些评价方法可分为两大类：主观评价和客观的评价。

在客观评价的类别，研究一些方法上的一个较大的系统/采用这种方法的应用分割方法的影响，而另一些研究独立分割方法。

因此，我们分为系统级评估和直接评价的客观评价方法。

直接客观的评价，可以进一步分为分析方法与实证方法的基础上，该方法是否本身，还是该方法产生的结果正在审查。

最后，实证方法分为非监督方法和监督方法对方法是否需要一个地面真实参考图像的基础上，（如后面介绍），或者没有。

请注意，这些类别并不相互排斥。

评价方法可以使用来自多个类别的技术。

例如，新光等。

[68,69]同时使用监督评估和系统级评估。

如下所述，从每个类别的评价措施具有其自身的局限性。

使用评估方法，结合来自多个类别的技术是鼓励。

这些类别的每一个细节将在下面讨论。

2.2。

主观评价对评价方法的最广泛使用的类型是主观的评价，其中的分割结果是由一人评估判断。

这种方法的缺点是视觉或定性评价是主观的（因此它们的同名）。

主观评价分数可能相差很大，从一个人到另一个评估，因为每个评估已为评估一个分段的图像质量自己的独特标准。

此外，评价结果可以依赖的顺序观察分割评估结果，所以取得了一个分割算法的有效性不带偏见的理解是一个艰巨的任务。

它需要一个大型密集的视觉评价研究。

为了尽量减少偏见，这种研究必然涉及到视觉算法的分割结果对图像的测试科目由一大群人的大组进行比较评价。

对测试图像集必须足够大，是由目标图像分割算法类的代表。

同样，人工评估组必须有足够大，是典型的人权观察员的代表。

并减少之间不同的算法和参数化偏袒，必须执行的检验下，精心设计的一套准则[3]。

因此，主观评价是一个非常繁琐和耗时的过程，本质上，这种方法不能在一个实时系统用于选择分割算法之间或单个分割算法甚至不同的参数化。

2.3。

系统级评估流行的替代方法，在系统/应用用人分割是探讨不同的分割方法对整个系统的影响。

这种方法使研究人员或系统设计人员认为，一个分割方法比对系统的实证结果的基础上另一种更好（如[68]比较了一物体识别系统的边缘为基础的方法）。

不幸的是，这种评价方法是间接的。

当下列步骤分割产生更好的结果，但这并不一定意味着分割效果明显优于，反之亦然。

从不同的分割方法的系统级的结果只是表明了结果的特性，如该特定系统的系统可能有利于减少区域或矩形区域（更有利，更准确的分割，即使有更大数量的部分或不规则形状的区域）。

2.4。

分析方法分析方法[4,71]分割算法独立评估其产出，评估他们对某些性质的分割算法，如处理策略（平行，连续，反复性，或混合型），处理的复杂度，资源利用效率为基础，和分割决议，通常不被视为分割质量评估（在搜索列表内容[11]如）有效。

换句话说，分析方法只适用于评估或实施分割算法算法性能适用。

这些属性一般是一个算法的分割结果的质量无关，因此不考虑这些属性在刻画分割算法之间的性能差异有效。

2.5。

监督评估方法监督评价方法[5,6]，也被称为相对评价方法[7]或经验的差异的方法[4]，通过比较评估手动分段的参考图像，这通常是指为对造成分割图像分割算法金标准[8]或地面实况。

之间的人机分割图像的相似程度决定了分割图像的质量。

一个以上（下面讨论）非监督方法监督方法的潜在好处是之间的分割图像和参考图像直接比较被认为是提供了一个评价更高的分辨率，正因为如此，差异的方法是使用常用的客观评价。

但是，手动生成参考图像是一个困难的，主观的，耗时task.1此外，对于大多数图像，特别是自然的影像，我们通常不能保证一个手动生成的分割图像比另一种更好。

在这个意义上说，在这样的比较是参考图像有些主观。

各种措施的差距已经被提出了分割评估。

大多数早期评估方法差异对分割图像与参考图像的像素数错误分类的基础上，与处罚权的距离成正比的正确归类最接近该区域的像素[10-14]。

另一组方法的差异在功能上的差异为基础的值是从分割图像和参考图像测量[15-20]。

这些方法已被扩展，以适应问题时，对象的数量之间的分割和参考图像的不同[21-25]。

还有一种方法的差异边缘的图像分割方法的评价丰富多彩[26-28,68,30-35]。

最后，爱华灵咸等。

[36]提出了一种方法，全面评价分割算法使用Pareto前沿。

而不是使用一个单一的差距度量和评价有差异的空间效力，它执行一个多维健身评价/有多种差异度量成本的空间。

3，非监督评价方法略去4，实验略去5，摘要分析略去6，利用机器学习的评价略去7，结论和未来的发展方向略去。