Сегментация изображений

Содержание

Слайд 2

На прошлой лекции…

На прошлой лекции научились работать со структурами «с нулевой площадью»

На прошлой лекции… На прошлой лекции научились работать со структурами «с нулевой
на изображении (с контурами)
Выделять
Анализировать (отличать)
На этой лекции – перейдем к «объектам с площадью». Будем:
Выделять
Анализировать (отличать)

Слайд 3

Что такое сегментация?

Анализ высокого уровня:
отделение находящихся на изображении объектов от фона (и

Что такое сегментация? Анализ высокого уровня: отделение находящихся на изображении объектов от
друг от друга)
Анализ низкого уровня:
разбиение на области «похожих» между собой пикселей

Слайд 4

Автоматика и интерактивность

Подразделяем
Автоматическая
Сегментация производимая без взаимодействия с пользователем
Картинка на входе, регионы на

Автоматика и интерактивность Подразделяем Автоматическая Сегментация производимая без взаимодействия с пользователем Картинка
выходе
Интерактивная
Сегментация, управляемая пользователем, допускающая и/или требующая ввода дополнительной информации
Пример – «волшебная палочка» в Photoshop

Слайд 5

Применение сегментации

Фото(видео)монтаж, композиция

Применение сегментации Фото(видео)монтаж, композиция

Слайд 6

Применение сегментации

Измерение параметров объектов

Применение сегментации Измерение параметров объектов

Слайд 7

Применение сегментации

Предобработка перед высокоуровневым анализом

Применение сегментации Предобработка перед высокоуровневым анализом

Слайд 8

Определение сегментации 1

«Жесткая» сегментация
Разбиение изображения на неперекрывающиеся области, покрывающие все изображение и

Определение сегментации 1 «Жесткая» сегментация Разбиение изображения на неперекрывающиеся области, покрывающие все
однородные по некоторому признаку
Формально:
Разбиение изображения на набор областей

Слайд 9

Рассмотрим семейства методов:

Основанные на поиске краев
Основанные на формировании однородных областей
Метод водораздела /

Рассмотрим семейства методов: Основанные на поиске краев Основанные на формировании однородных областей
tobogganing
Методы из теории графов

Слайд 10

Автоматическая сегментация

Как можно сформировать однородные области?
Отталкиваясь от неоднородности на границах
Пример – ищем

Автоматическая сегментация Как можно сформировать однородные области? Отталкиваясь от неоднородности на границах
резкие переходы яркости, берем их как границы областей
Отталкиваясь от однородности внутри областей
Пример – объединяем в одну область пиксели, близкие по яркости

Слайд 11

Однородность

Варианты однородности:
По яркости
По цвету
По близости на изображении
По текстуре
По глубине
(Если есть 3D информация)

Однородность Варианты однородности: По яркости По цвету По близости на изображении По

Слайд 12

Сегментация через поиск неоднородностей

Наиболее простой и чаще всего используемый вариант:
Поиск неоднородностей яркости

Сегментация через поиск неоднородностей Наиболее простой и чаще всего используемый вариант: Поиск
через выделение краев

Слайд 13

Алгоритм

Найдём все контура на изображении алгоритмом Canny;
Найдем все замкнутые контура;
«Внутренности» замкнутых контуров

Алгоритм Найдём все контура на изображении алгоритмом Canny; Найдем все замкнутые контура;
являются искомыми однородными областями;

Слайд 14

Сегментация через поиск однородных областей

План
Сегментация без учета пространственных связей
Пороговая фильтрация
Кластеризация по цвету

Сегментация через поиск однородных областей План Сегментация без учета пространственных связей Пороговая

Сегментация с учетом пространственных связей
Разрастание областей (region growing)
Слияние/разделение областей (region merging/splitting)

Слайд 15

Пороговая фильтрация

Разделение пикселей на n классов по их яркости
Чаще всего используется 2

Пороговая фильтрация Разделение пикселей на n классов по их яркости Чаще всего используется 2 класса (бинаризация)
класса (бинаризация)

Слайд 16

Гистограммы

Гистограмма (одноканального изображения) – график распределения яркостей пикселей:
На горизонтальной оси -

Гистограммы Гистограмма (одноканального изображения) – график распределения яркостей пикселей: На горизонтальной оси
шкала яркостей от черного до белого
На вертикальной оси - число пикселей заданной яркости

Слайд 17

Гистограммы

Свойства:
Рассчитываются глобально для всего изображения
Пространственная информация (расположение пикселей различной яркости) полностью игнорируется
Это

Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной
можно использовать для сравнения изображений:

Слайд 18

Гистограммы

Свойства:
Рассчитываются глобально для всего изображения
Пространственная информация (расположение пикселей различной яркости) полностью игнорируется
Это

Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной
можно использовать для сравнения изображений:

Слайд 19

Гистограммы

Свойства:
Рассчитываются глобально для всего изображения
Пространственная информация (расположение пикселей различной яркости) полностью игнорируется
Однако

Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной
при анализе сложных сцен это может мешать
Сильно различные «с виду» сцены могут иметь очень похожие гистограммы

Слайд 20

Пороговая фильтрация

Яркий объект на темном фоне
Выбрать величину T разделяющую яркость объекта и

Пороговая фильтрация Яркий объект на темном фоне Выбрать величину T разделяющую яркость
фона
Каждый пиксель (x,y) яркость которого I(x,y)>T принадлежит объекту

0

255

Слайд 21

Как определить величину T?

В каждом конкретном случае хотим уметь рассчитать правильный порог
Вариант

Как определить величину T? В каждом конкретном случае хотим уметь рассчитать правильный
решения – анализ гистограммы изображения

Слайд 22

Автоопределение величины T

Можно использовать следующее:
1. Предположение о яркости объектов
2. Размеры

Автоопределение величины T Можно использовать следующее: 1. Предположение о яркости объектов 2.
объектов
3. Площадь изображения занятого объектом
4. Количество различных типов объектов
Вопрос - как?

Слайд 23

Автоопределение величины T

Метод P-tile:
Если знаем (предполагаем) что объект занимает P% площади
T устанавливаем

Автоопределение величины T Метод P-tile: Если знаем (предполагаем) что объект занимает P%
так, чтобы отсечь P% пикселей на гистограмме

Слайд 24

Расчет T путем последовательных приближений

Частный случай алгоритма k-средних
Выбрать порог T равным середине

Расчет T путем последовательных приближений Частный случай алгоритма k-средних Выбрать порог T
диапазона яркостей;
Вычислить среднюю яркость всех пикселей с яркостью < T m1, аналогично m2 для пикселей с яркостью > T;
Пересчитать порог T = (m1 + m2) / 2;
Повторять шаги 2, 3 порог не перестанет изменяться;

Слайд 25

Поиск пиков в гистограмме

Найти соседние локальные максимумы в гистограмме gi
Рассчитать меру «пиковости»

Поиск пиков в гистограмме Найти соседние локальные максимумы в гистограмме gi Рассчитать
для gi
Отфильтровать пики с слишком маленькой «пиковостью».
Для оставшихся найти самые «низкие» точки между пиками – это и будут пороги.

Слайд 26

Мера «пиковости»

Мера «пиковости»

Слайд 27

Зашумленность гистограмм

93 пика

Это проблема – много «лишних» локальных максимумов

Зашумленность гистограмм 93 пика Это проблема – много «лишних» локальных максимумов

Слайд 28

Сглаживание гистограмм

Сглажено 1 раз
54 пика
«Пиковость» проходят 18

2 раза
21 пика
«Пиковость» проходят

Сглаживание гистограмм Сглажено 1 раз 54 пика «Пиковость» проходят 18 2 раза
7

3 раза
11 пиков
«Пиковость» проходят 4 peaks

Сглаживание посредством усреднения соседних значений
Свертка одномерным box-фильтром

Слайд 29

Области найденные по пикам

Области найденные по пикам

Слайд 30

Адаптивный порог

Проблема:
Яркость фона может быть разной в разных частях изображения
Единый порог не

Адаптивный порог Проблема: Яркость фона может быть разной в разных частях изображения Единый порог не подойдет
подойдет

Слайд 31

Адаптивный порог

Для каждого пикселя изображения I(x, y):
В окрестности пикселя радиуса r высчитывается

Адаптивный порог Для каждого пикселя изображения I(x, y): В окрестности пикселя радиуса
индивидуальная для данного пикселя величина C;
Если I(x, y) - C > T , результат 1, иначе 0;
Варианты выбора C по окрестности (x, y):
C= среднее
C = медиана
C = (min + max) / 2

Обратитe внимание – начинаем учитывать пространственную информацию

Слайд 32

Адаптивный порог

r=7, T=0

r=7, T=7

r=75, T=10

Исходное

Адаптивный порог r=7, T=0 r=7, T=7 r=75, T=10 Исходное

Слайд 33

Адаптивный порог

Другая формулировка
Приближение фона усреднением
Вычитание фона - I(x, y) – C(x,y) >

Адаптивный порог Другая формулировка Приближение фона усреднением Вычитание фона - I(x, y)
T

I(x,y) - C(x,y), r=18

Исходное

Слайд 34

Адаптивный порог

Хорошо работает
Когда размер искомого объекта заметно меньше размера оцениваемой окрестности
Хуже работает,

Адаптивный порог Хорошо работает Когда размер искомого объекта заметно меньше размера оцениваемой

Когда объект велик по сравнению с самим изображением

r=7

r=140

Исходное

r=300

Слайд 35

Кластеризация k-средних

Способ определения нескольких порогов одновременно
Нужно заранее знать k - количество диапазонов

Кластеризация k-средних Способ определения нескольких порогов одновременно Нужно заранее знать k -
яркостей
В принципе можно k найти по гистограмме с помощью анализа «пиковости»

Слайд 36

Алгоритм k-средних

Случайным образом выбрать k средних mj j=1,…,k;
Для каждого vi i=1,…,p подсчитать

Алгоритм k-средних Случайным образом выбрать k средних mj j=1,…,k; Для каждого vi
расстояние до каждого из mj j=1,…,k,
Отнести (приписать) vi к кластеру j’, расстояние до mj’ минимально;
Пересчитать средние mj j=1,…,k по всем кластерам;
Повторять шаги 2, 3 пока кластеры не перестанут изменяться;

Входные данные – набор векторов n-мерного пр-ва vi i=1,…,p.
Выходные данные– центры кластеров mj j=1,…,k и принадлежность vi к кластерам

Слайд 37

Пример кластеризации в 2D

Исходные данные

Пример кластеризации в 2D Исходные данные

Слайд 38

Пример кластеризации в 2D

Случайная инициализация центров кластеров (шаг 1)

Пример кластеризации в 2D Случайная инициализация центров кластеров (шаг 1)

Слайд 39

Пример кластеризации в 2D

Кластеры после первой итерации (шаг 2)

Пример кластеризации в 2D Кластеры после первой итерации (шаг 2)

Слайд 40

Пример кластеризации в 2D

Пересчет центров кластеров после первой итерации (шаг 3)

Пример кластеризации в 2D Пересчет центров кластеров после первой итерации (шаг 3)

Слайд 41

Пример кластеризации в 2D

Кластеры после второй итерации (шаг 2)

Пример кластеризации в 2D Кластеры после второй итерации (шаг 2)

Слайд 42

Пример кластеризации в 2D

Стабильная конфигурация после четвертой итерации

Пример кластеризации в 2D Стабильная конфигурация после четвертой итерации

Слайд 43

k-средних для сегментации

Если изображение одноканальное
vi = I(x, y) – работаем в одномерном

k-средних для сегментации Если изображение одноканальное vi = I(x, y) – работаем
пространстве
Получается итеративный алгоритм пересчета порога
Если изображения трехканальное (RGB)
vi = (R(x, y), G(x,y), B(x, y)) – работаем в трехмерном пространстве
Можно работать и с многоканальными изображениями
Например – RGB + инфракрасный канал

Слайд 44

Алгоритм k-средних для одноканального изображения

Случайным образом выбрать k средних mj j=1,…,k;
Для каждого

Алгоритм k-средних для одноканального изображения Случайным образом выбрать k средних mj j=1,…,k;
пикселя (x,y) подсчитать Dj=|I(x,y) - mj| для j=1,…,k
Приписать (x,y) к кластеру j’, Dj’=min{Dj, j=1,..,k};
Пересчитать средние mj j=1,…,k по всем кластерам;
Повторять шаги 2, 3 пока кластеры не перестанут изменяться;

Слайд 45

Сравнение k-средних с порогом по средней яркости

Чем отличается сегментация с помощью k-средних

Сравнение k-средних с порогом по средней яркости Чем отличается сегментация с помощью
на 2 кластера от простейшей пороговой бинаризации по средней яркости изображения?
Пример:

k-средних

Порог по средней яркости

В причинах предлагается разобраться самостоятельно

Слайд 46

Общие недостатки описанного

Игнорируется пространственное расположение пикселей
За исключением адаптивного порога, но и там

Общие недостатки описанного Игнорируется пространственное расположение пикселей За исключением адаптивного порога, но
соседство не учитывается
Перейдем к методам, учитывающим взаимное расположение пикселей

Слайд 47

Понятие связности

Определение связной области:
Множество пикселей, у каждого пикселя которого есть хотя бы

Понятие связности Определение связной области: Множество пикселей, у каждого пикселя которого есть
один сосед, принадлежащий данному множеству.
Соседи пикселей:

4-связность

8-связность

Слайд 48

Разметка связных областей

1

1

2

2

2

1

1

2

2

2

3

4

4

5

4

4

4

6

6

6

6

6

7

Бинарное изображение

Размеченное изображение

Разметка связных областей 1 1 2 2 2 1 1 2 2

Слайд 49

Разрастание регионов (Region growing)

Простая идея – начиная с некоторого “семени” обходить пиксели и

Разрастание регионов (Region growing) Простая идея – начиная с некоторого “семени” обходить
объединять в области пока выполняется условие однородности

Слайд 50

Что необходимо определить

Критерий однородности
Гистограмма содержит не больше 1 значительного пика
Отклонение любого

Что необходимо определить Критерий однородности Гистограмма содержит не больше 1 значительного пика
пикселя от средней яркости < Tavg
Разница между соседними пикселями < Tdiff
«Слабая» граница между регионами (только для слияния) - позже

Слайд 51

Пример δ = 1

Алгоритм разрастания регионов

Среднее: 1

Среднее: 1.125

Пример δ = 1 Алгоритм разрастания регионов Среднее: 1 Среднее: 1.125

Слайд 52

Алгоритм разрастания регионов

Пример δ = 1

Алгоритм разрастания регионов Пример δ = 1

Слайд 53

Разрастание регионов
if |I(A) – Clavg(B)| > δ and |I(A) – Clavg(C)| >

Разрастание регионов if |I(A) – Clavg(B)| > δ and |I(A) – Clavg(C)|
δ - создаем новую область, присоединяем к ней пиксел A
if |I(A) – Clavg(B)| ≤ δ xor |I(A) – Clavg(C)| ≤ δ – добавить A к одной из областей
if |I(A) – Clavg(B)| ≤ δ and |I(A) – Clavg(C)| ≤ δ :
|Clavg(B) - Clavg(C)| ≤ δ – сливаем области B и C.
|Clavg(B) - Clavg(C)| > δ– добавляем пиксел A к тому классу, отклонение от которого минимально.
I(A) – яркость пиксела A
Clavg(B) – средняя яркость области к которой принадлежит B

Сканируем изображение сверху вниз, слева направо:

Слайд 54

Разделение областей

Первый шаг – всё изображение это одна область, поместить область в

Разделение областей Первый шаг – всё изображение это одна область, поместить область
стек
Пока стек не пуст
Взять область S из стека
Проверить область на однородность
Если область неоднородна
разделить ее, новые области поместить в стек
Если область однородна
область больше не трогаем

Слайд 55

Что необходимо определить 2

Правило разделения областей
Распространенный вариант – на 4 части,

Что необходимо определить 2 Правило разделения областей Распространенный вариант – на 4
как квадродерево

Просто реализовать, но границы получившихся областей вряд ли будут соответствовать границам объектов

Слайд 56

Пример

Алгоритм разбиения (split)

Пример Алгоритм разбиения (split)

Слайд 57

Первое разбиение

Алгоритм разбиения (split)

Первое разбиение Алгоритм разбиения (split)

Слайд 58

Второе разбиение

Алгоритм разбиения (split)

Второе разбиение Алгоритм разбиения (split)

Слайд 59

Третье разбиение

Алгоритм разбиения (split)

Третье разбиение Алгоритм разбиения (split)

Слайд 60

Что необходимо определить 3

Правило разделения областей – более умно
Найти в гистограмме пики,

Что необходимо определить 3 Правило разделения областей – более умно Найти в
разделить гистограмму по ним
Для каждой части гистограммы найти связные компоненты – это будут новые области

Реализовать сложнее, работает дольше

Слайд 61

Слияние областей

Первый шаг – каждый пиксель это отдельная область, поместить все области

Слияние областей Первый шаг – каждый пиксель это отдельная область, поместить все
в стек
Пока стек не пуст
Взять область S из стека, для всех соседних областей Si:
Проверить S’=S U Si на однородность
Если S’ однородна -
Слить S и Si , S’ поместить в стек, Si из стека удалить, перейти на 2
Если область не однородна
Пробуем другого соседа

Слайд 62

Алгоритм «фагоцита»

Истаивание границ
Убирает слабые границы
«Слабость границ» определяется по разности яркостей граничных пикселей

S1

S2

клетка

Алгоритм «фагоцита» Истаивание границ Убирает слабые границы «Слабость границ» определяется по разности
способная захватывать и переваривать посторонние тела

Слайд 63

Алгоритм «фагоцита»

S1

S2

Алгоритм «фагоцита» S1 S2

Слайд 64

Алгоритм «фагоцита»

Слить две области если:
где P1 и P2 – периметры областей S1

Алгоритм «фагоцита» Слить две области если: где P1 и P2 – периметры
and S2
Слить две области если:

Слайд 65

Алгоритмы разбиения и слияния

Недостатки:
Разбиение
Может дать слишком много регионов
Если использовать квадродерево, границы

Алгоритмы разбиения и слияния Недостатки: Разбиение Может дать слишком много регионов Если
скорее всего будут неверны
Слияние
Долго работает, если начинать с индивидуальных пикселей
Вывод:
Нужен комбинированный метод!

Слайд 66

Алгоритм разбиения/слияния (split and merge)

Идея:
Сначала провести разбиение на небольшие однородные области
Обычно используется принцип

Алгоритм разбиения/слияния (split and merge) Идея: Сначала провести разбиение на небольшие однородные
квадродерева
Затем слить между собой те из них, которые вместе не нарушат требование однородности
Продолжать до тех пор, пока остаются регионы которые можно объединить

Слайд 67

Слияние

Алгоритм разбиения/слияния (split and merge)

Слияние Алгоритм разбиения/слияния (split and merge)

Слайд 68

Результат

Алгоритм разбиения/слияния (split and merge)

Результат Алгоритм разбиения/слияния (split and merge)

Слайд 69

Результат

Сравним с разрастанием регионов

Результат Сравним с разрастанием регионов

Слайд 70

Сравним подходы

Сегментация на основе областей
В результате всегда замкнутые границы областей
Использование многоканальных

Сравним подходы Сегментация на основе областей В результате всегда замкнутые границы областей
изображений (RGB, RGB + ИК) обычно улучшает результаты
Сегментация на основе границ
Границы обычно лучше локализованы

Слайд 71

Алгоритм водораздела (watershed)

Идея метода:
Вспомним – большие значения градиента соответствуют резким переходам на изображении
Рассмотрим

Алгоритм водораздела (watershed) Идея метода: Вспомним – большие значения градиента соответствуют резким
абсолютную величину градиента как карту высот ландшафта
Там где резкие границы – получатся «стены»
Будем «лить воду» в «ямы» и искать получающиеся «озера»

Слайд 72

Алгоритм водораздела

Область водораздела, бассейн (catchment basin): область в которой поток из всех

Алгоритм водораздела Область водораздела, бассейн (catchment basin): область в которой поток из
точки «стекает» к одной общей точке

Слева – профиль интенсивностей изображения, справа – локальные минимумы определяют бассейны, локальные максимумы – линии водораздела.

Слайд 73

Алгоритм водораздела

Алгоритм, как и разбиение дает множество небольших регионов
Очень чувствителен к шуму

Алгоритм водораздела Алгоритм, как и разбиение дает множество небольших регионов Очень чувствителен
– ищет все локальные минимумы

Градиент < 10 обращен в 0

Результат по данному градиенту

Абс. величина градиента

Слайд 74

Алгоритм «погружения»

Алгоритм «погружения» (immersion) :
Начнем с самых «глубоких» (темных) пикселей (они

Алгоритм «погружения» Алгоритм «погружения» (immersion) : Начнем с самых «глубоких» (темных) пикселей
определят начальные бассейны)
Для каждой яркости k:
Для каждой связной компоненте пикселей яркости k:
Если прилежит только к одному существующему бассейну
Добавить компоненту к бассейну
Если прилежит более чем к одному существующему бассейну
Пометить как границу (водораздел)
Иначе – создать новый бассейн
Аналог – вода медленно поднимается, пока не погрузятся в нее водоразделы

Слайд 75

Алгоритм tobogganing

Идея:
Из каждого пикселя «спускаемся» в локальный минимум среди его соседей
Спускаемся до

Алгоритм tobogganing Идея: Из каждого пикселя «спускаемся» в локальный минимум среди его
тех пор, пока есть куда спускаться
Пиксели «спустившиеся» в один минимум – одна область

Как с горы на санках

Слайд 76

Алгоритм tobogganing

58 46 50 64 80 88 99 108
80 63 68 106 137 164 185 202
55 113 152 179 202 217 225 227
147 180 199 208 209 202 191 177
192 204 202 190 169 145 122 96
194 186 167 140 109 83 56 63
177 154 124 91 54 41 95 136
159 131 104 81 56 94 142 178

Из каждого пикселя «спускаемся» в локальный минимум среди его соседей
Спускаемся до

Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63
тех пор, пока есть куда спускаться
Пиксели «спустившиеся» в один минимум – одна область

Слайд 77

Алгоритм tobogganing

58 46 50 64 80 88 99 108
80 63 68 106 137 164 185 202
55 113 152 179 202 217 225 227
147 180 199 208 209 202 191 177
192 204 202 190 169 145 122 96
194 186 167 140 109 83 56 63
177 154 124 91 54 41 95 136
159 131 104 81 56 94 142 178

Из каждого пикселя «спускаемся» в локальный минимум среди его соседей
Спускаемся до

Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63
тех пор, пока есть куда спускаться
Пиксели «спустившиеся» в один минимум – одна область

Слайд 78

Tobogganing и водораздел

В зависимости от задачи можно анализировать
само изображение
абсолютную величину его

Tobogganing и водораздел В зависимости от задачи можно анализировать само изображение абсолютную
градиента
distance transform изображения (в каждой точке хранится расстояние до ближайшей границы)
Часто генерируют слишком много регионов, как и разделение
Требуется постобработка для слияния
В комбинации с distance transform хорошо для перекрывающихся регионов

Слайд 79

Методы теории графов

Теория графов – хороший инструмент для работы с изображениями
Хорошая теоретическая

Методы теории графов Теория графов – хороший инструмент для работы с изображениями
база
Много проработанных методов
Изображение легко «превращается» в граф
Математические модели теории графов хорошо применимы в частности для сегментации

Слайд 80

Граф и изображение

Изображение превращается во взвешенный неориентированный граф
Пиксели – вершины графа
Ребра –

Граф и изображение Изображение превращается во взвешенный неориентированный граф Пиксели – вершины
связи между соседними пикселями
Вес ребер пропорционален «похожести» пикселей

Слайд 81

Критерии «похожести» пикселей

По расстоянию
По яркости
По цвету
По текстуре

Критерии «похожести» пикселей По расстоянию По яркости По цвету По текстуре

Слайд 82

Создать граф
Разрезать граф
Каждую связную компоненту после разреза рассматривать как отдельную область

Сегментация с

Создать граф Разрезать граф Каждую связную компоненту после разреза рассматривать как отдельную
помощью разрезов графа

Слайд 83

Разрез графа

G=(V,E)
Непересекающиеся подмножества вершин A и B из V
Удаляем все ребра, связывающие

Разрез графа G=(V,E) Непересекающиеся подмножества вершин A и B из V Удаляем
A и B
Cut(A,B) – мера «силы связности» множеств A и B

Слайд 84

Разрез графа

Разрез графа превращает граф в два несвязанных друг с другом подграфа

Разрез графа Разрез графа превращает граф в два несвязанных друг с другом подграфа

Слайд 85

Разрез графа

Если множества A и B не заданы заранее – разрезать граф

Разрез графа Если множества A и B не заданы заранее – разрезать
можно по-разному:
Минимальный разрез – разрез, превращающий граф в несвязный, с минимальной суммой весов удаленных ребер

Слайд 86

Минимальный разрез хорош не всегда

На данном рисунке вес ребер графа показан расстоянием

Минимальный разрез хорош не всегда На данном рисунке вес ребер графа показан расстоянием между вершинами
между вершинами

Слайд 87

Нормализованный разрез графа (Normalized cut)

Другая мера разреза – измеряет «похожесть» двух групп вершин,

Нормализованный разрез графа (Normalized cut) Другая мера разреза – измеряет «похожесть» двух
нормированную на «объем», занимаемый ими в графе

Слайд 88

Минимальный нормализованный разрез

Минимальный нормализованный разрез – разрез, превращающий граф в несвязный, с

Минимальный нормализованный разрез Минимальный нормализованный разрез – разрез, превращающий граф в несвязный,
минимальной величиной NCut
Как его найти?

Слайд 89

Матрицы…

D – диагональная матрица n x n:
W is an n x n

Матрицы… D – диагональная матрица n x n: W is an n x n symmetrical matrix
symmetrical matrix

Слайд 90

Можно вывести что:

При условиях:
Если разрешить задача сводится к задаче на собственные значения:

Можно вывести что: При условиях: Если разрешить задача сводится к задаче на собственные значения:

Слайд 91

Алгоритм сегментации c помощью normalized cuts

Задать граф на изображении.
Рассчитать матрицы W и

Алгоритм сегментации c помощью normalized cuts Задать граф на изображении. Рассчитать матрицы
D
Решить задачу (D-W)y= λDy, найти вектора с наименьшими собственными значениями
По вектору со вторым наименьшим с.з. разрезать граф на две части
Рекурсивно разбить получившиеся области, если требуется

Слайд 92

Пример:

Пример:

Слайд 93

Подытожим:

Рассмотрели следующие методы
Использующие края
Edge-based
Пороговой фильтрации
Thresholding
k-средних
k-means
Разрастания регионов
Region growing
Разделения / слияния
Split and merge
Водораздела
Watershed, tobogganing
Нормализованный

Подытожим: Рассмотрели следующие методы Использующие края Edge-based Пороговой фильтрации Thresholding k-средних k-means
разрез графа
Normalized cut

Слайд 94

Анализ областей после сегментации

Владимир Вежневец, Антон Конушин
Александр Вежневец

Курс – «Введение в компьютерное

Анализ областей после сегментации Владимир Вежневец, Антон Конушин Александр Вежневец Курс –
зрение»
МГУ ВМК, Graphics & Media Lab, Осень 2006

Слайд 95

Какие параметры формы областей помогут различить объекты на этом примере?

Какие параметры формы областей помогут различить объекты на этом примере?

Слайд 96

Свойства области

Характеристики границы области
См. предыдущую лекцию
Площадь
Кол-во «дырок» внутри
Центр масс
Периметр
Компактность
Моменты
Ориентация главной оси
Цвет/яркость

Свойства области Характеристики границы области См. предыдущую лекцию Площадь Кол-во «дырок» внутри

Слайд 97

Площадь

Кол-во пикселей в области

Площадь Кол-во пикселей в области

Слайд 98

Центр масс

Центр масс:

Центр масс Центр масс:

Слайд 99

Периметр и компактность

Периметр - количество пикселей принадлежащих границе области
Компактность
Наиболее компактная фигура –

Периметр и компактность Периметр - количество пикселей принадлежащих границе области Компактность Наиболее компактная фигура – круг,
круг,

Слайд 100

Подсчет периметра области

Пиксель лежит на границе области, если он сам принадлежит области

Подсчет периметра области Пиксель лежит на границе области, если он сам принадлежит
и хотя бы один из его соседей области не принадлежит. (внутренняя граница)
Пиксель лежит на границе области, если он сам не принадлежит области и хотя бы один из его соседей области принадлежит. (внешняя граница)
Периметр зависит также от того 4-х или 8-ми связность используется
для определения соседей.

Слайд 101

Дискретный момент mij области определяется следующим образом:

- значение пикселя изображения

Моменты

Дискретный момент mij области определяется следующим образом: - значение пикселя изображения Моменты

Слайд 102

X

Y

7

Площадь

20

33

159

Моменты инерции

64

93

Моменты

X Y 7 Площадь 20 33 159 Моменты инерции 64 93 Моменты

Слайд 103

Центральные моменты

Инвариантны к переносу

Центр масс области

Центральные моменты Инвариантны к переносу Центр масс области

Слайд 104

Центральные моменты

Центральные моменты

Слайд 105

Ориентация главной оси инерции

Главная ось

Центр масс

Ориентация главной оси инерции Главная ось Центр масс

Слайд 106

Моменты Hu

Инвариантны к повороту, переносу, скалированию

Моменты Hu Инвариантны к повороту, переносу, скалированию

Слайд 107

Пример

Пример

Слайд 108

Инвариантные характеристики области

Удлиненность, нецентрированность (эксцентриситет)

Инвариантные характеристики области Удлиненность, нецентрированность (эксцентриситет)

Слайд 109

Цвет, яркость

Цвет и яркость области тоже хорошие признаки. Варианты
Гистограмма яркости, цветов в

Цвет, яркость Цвет и яркость области тоже хорошие признаки. Варианты Гистограмма яркости,
данной области
Средняя яркость, средний цвет
Дисперсия яркости, цветов (R, G, B) внутри области

Слайд 110

Немного о машинном обучении

Мы рассмотрели сейчас методы «низкого уровня»
Они анализируют небольшое кол-во

Немного о машинном обучении Мы рассмотрели сейчас методы «низкого уровня» Они анализируют
«простой» информации
При рассказе о машинном обучении будут упомянуты методы производящие более «умный» анализ изображения

Слайд 111

Задание

Выдадим на следующей лекции
Выполнятся будем на MATLAB
Всем желающим получить задание нужно будет

Задание Выдадим на следующей лекции Выполнятся будем на MATLAB Всем желающим получить
записаться на лекции
Будет распределение по вариантам
Имя файла: Сегментация-изображений.pptx
Количество просмотров: 691
Количество скачиваний: 9