Segmentačné metódy na základe vlastností oblastí

1. Segmentačné metódy na základe vlastností oblastí Narastanie oblastí Spájanie oblastí Štiepenie oblastí Spájanie a štiepenie oblastí Porovnávanie so vzorom Seeded Region Growing Interaktívne metódy

2. Segmentácia narastaním oblastí H(Ri) = TRUE; i=1, 2, ...,S, H(RiRj| - FALSE; pričom (ij) && (Rj je susedná s Rj) kde S je počet oblastí a H(Ri) je dvojhodnotové hodnoitenie homogenity Ri • Rozčlenenie obrazu do homogénnych oblastí (viď. definícia oblastí) • kritérium homogenity (jas, textúra, sémantický popis modelu) • pripojením susednej oblasti by bola porušená podmienka homogenity • najjednoduchšie vyjadrenie kritéria homogenity = stredná hodnota jasu oblasti

3. Spájanie oblastí • Základný algoritmus • Definujte počiatočné rozdelenie obrazu do veľkého množstva malých oblastí • definujte kritérium spájania dvoch susedných oblastí • Spájajte susedné oblasti vyhovujúce definovanému kritériu. Algoritmus končí, ak sa už nedajú spojiť žiadne dve susedné oblasti bez porušenia kritéria homogenity • Algoritmus je závislý na poradí • Počiatočné oblasti: 2x2, 4x4, 8x8 pixelov • Kritérium homogenity - napr. jas (najjednoduchšie), alebo histogram rozloženia jasu a iné štatistické vlastnosti. Ak zhoda vektorov parametrov - spájanie.

4. *x*x*x*x*x*x SUPERMRIEŽKA xoxoxoxoxoxo o obrazové data *x*x*x*x*x*x x medzibunečné hrany xoxoxoxoxoxo * nevyužité *x*x*x*x*x*x Definujte počiatočné rozdelenie obrazu do oblastí konštantného jasu a vytvorte „supermriežku“, uložte do nej informáciu o medzibunečných hranách obrazu pre všetky dvojice pixelov odstránte nevýznamné medzibunečné hrany podľa pravidla vi,j = 0 pre si,j <T1; inak vi,j =1 (významná hrana), kde si,j = |fxi - fxj)| Odstránte spoločné hranice všetkých oblastí Ri a Rj pokiaľ platí, že (W / min(li, lj)) > T2 ,pričom : W je počet nevýznamných medzibunečných hrán ležiacich na spoločnej hranici medzi Ri a Rj, li a lj sú dlžky obvodu týchto oblastí. Ak sa nedajú odstrániť už žiadne hranice, pokračuj nasledovným krokom Odstráň spoločné hranice oblastí Ri a Rj kde platí W/l > T3 , kde l je dĺžka spoločnej hranice medzi Ri a Rj. Algoritmus končí, ak sa už nedajú odstrániť ďalšie hranice. Spájanie oblastí odstraňovaním hraníc

5. Spájanie oblastí použitím grafu susednosti • Aktualizácia grafov (po každom spojení oblastí) • Algoritmus aktualizácie pre grafy susednosti • vložte do grafu všetky existujúce spojnice uzla Ri a uzlov prináležiacich oblastiam susedným k Rj • Vyber z grafu uzol Rj a všetky spojnice z neho vychádzajúce • Algoritmus aktualizácie pre duálny graf • vyber z duálneho grafu všetky spojnice zodpovedajúce spoločným hraniciam medzi Ri a Rj • pre každý z uzlov patriacich vybratým spojniciam: • ak je výsledný stupeň uzla (počet spojnic vystupujúcich z uzla) rovný dvom, vyjmi tento uzol a spoj obe zvyšné spojnice do jedinej • ak je výsledný stupeň uzla väčší než 2, aktualizuj označenie spojnic ktoré zodpovedali častiam hranice oblasti Rj tak, aby bolo uvažované nové označenie vzniklé v oblasti Ri

6. Štiepenie oblastí • Principiálne odlišné od spájania • Najprv jediná oblasť - nehomogénna, rekurzívne sa delí až kým nedostaneme homogénne oblasti • Aj ked duálny proces ku spájaniu, nie vždy rovnaké výsledky - šachovnica. • Pri šachovnuci štiepenie dáva zlé výsledky, pretože štiepením nedochádza ku lepšej homogenite rozdelených častí • preto je výhodné kombinovať oba prístupy (štiepenie a spájanie)

7. Śtiepenie a spájanie Kvadrantový strom - uzol je homogénna oblasť, list=oblasť split and link, split and merge, štvorcový tvar - preto niekedy aj možnosť pripojenia oblasti mimo vetvi kvadrantového stromu • Definujte počiatočné rozdelenie obrazu, kritérium homogenity H a pyramidálnu datovú štruktúru • Ak platí pre niektorú oblasť Ri-tej úrovne pyramídy, že je nehomogénna (H(R) = FALSE), rozdeľ oblasť R na 4 samostatné podoblasti. Ak platí pre niektoré 4 oblasti R1, R2, R3, R4 ktoré sa dajú spojiť do 1 otcovskej oblasti že H(R1 R2  R3  R4 ) = TRUE, spojte ich do 1 oblasti. Ak sa nedá žiadna oblasť ani spojiť ani rozdeliť, pokračuj ďalším krokom. • Ak existujú susedné oblasti Ri a Rj (nepatriace jednemu otcovi, alebo pochádzajúce z rôznych hladín pyramídy), pre ktoré platí H(Ri Rj)= TRUE, spojte ich do jedinej oblasti • Ak treba, odstránte oblasti malých rozmerov tak, že ich spojíte s najpodobnejšou susednou oblasťou.

8. Segmentácia porovnávaním so vzorom • Vzájomná korelácia - miesto súhlasu spracovávaného obrazu f a hľadaného vzoru h umiestneného v polohe (u,v) obrazu f, pričom V=množina všetkých pixelov vzoru • Nájdi miesto obrazu, kde je maximálnu súhlas obrazu a vzoru (absolútny súhlas je veľmi zriedkavý) • využitie aj v stereo videní a snímaní pohybu • použitie Fourierovej transformácie - násobenie Fourierovských obrazov FxH podľa konvolučného teorému a spätná transformácia. Obraz a vzor tu musia byť rovnako veľké - doplň nulami alebo priemernými hodnotami • Stratégia hľadania - buď sadu vzorov pre rôzne veľkosti a uhol otočenia, alebo cez geometrické transformácie. • Hľadanie po častiach - potom „pružné“ spojenie s minimálnym pnutím (napr. cez heuristické konštrukcie grafu) • Urýchlenie - hrubý a jemný raster, pyramída. Ak miera nesúhlasu prekročí stanovenú hodnotu choď na inú pozíciu.

9. Seeded Region Growing • „pseudo-parallelný rast, Watershed • Sequentially Sorted List (SSL) • i(x)= |g(x) – mean( Ai )| • „rýchly“ a „robustný“ ? • Pyramidal Seeded Region Growing Algorithm Algorithm DoSRG(k) Označ semienkové bodyulož susedov semienkových bodov do SSLwhile SSL nie je prázdné do Zober prvý bod Y zo SSLif všetci susedia Y ktorí sú už označkovaní (inou než značkou hranice) majú rovnakú značku then Označ Y touto značkou Updatuj priemernú hodnotu zodpovedajúceho regiónu Pridaj susedov Y do SSL na základe ich podobnosti otherwise označ Y ako hraničný bod endwhile end. • Interaktívne metódy segmentácie (SegmentTool) - zadanie seedov, hladiny, hraničného bodu, „citlivý kurzor“ atď.