Глубокое погружение в различные методы сегментации изображений
Что такое сегментация изображений?
Сегментация изображения - это метод, при котором компьютеризированное изображение разделяется на различные подгруппы, называемые сегментами, которые помогают уменьшить сложность изображения, чтобы облегчить дальнейшую обработку или исследование изображения. Простыми словами, сегментация - это присвоение имен пикселям. Всем компонентам изображения или пикселям, имеющим место с аналогичным классом, присваивается типовая метка. Сегментация изображения может служить этапом предварительной обработки перед применением алгоритма машинного обучения, чтобы уменьшить временную сложность, необходимую алгоритму машинного обучения для обработки изображения. Например: Приведенное выше изображение цветка является примером сегментации изображения с использованием кластеризации, при которой цвета изображения сегментированы. Затем это изображение можно обработать любым алгоритмом машинного обучения, предоставив только интересующую область, тем самым уменьшив временную сложность алгоритма.
Методы сегментации изображений
- Сегментация на основе пороговых значений
- Сегментация на основе краев
- Сегментация по регионам
- Сегментация на основе кластеризации
- Сегментация на основе искусственной нейронной сети
В этой статье мы рассмотрим сегментацию на основе регионов и кластеризацию. Другие методы сегментации будут обсуждаться в следующих частях.
Сегментация по регионам
Область можно классифицировать как группу связанных пикселей, обладающих схожими свойствами. Сходство между пикселями может заключаться в интенсивности, цвете и т. Д. В этом типе сегментации присутствуют некоторые предопределенные правила, которым должен подчиняться пиксель, чтобы его можно было классифицировать на похожие пиксельные области. В случае зашумленного изображения методы сегментации на основе областей предпочтительнее методов сегментации на основе краев. Региональные методы далее подразделяются на 2 типа на основе подходов, которым они следуют.
- Метод выращивания региона
- Метод разделения и объединения регионов
Техника выращивания региона
В случае метода роста области мы начинаем с некоторого пикселя в качестве начального пикселя, а затем проверяем соседние пиксели. Если соседние пиксели подчиняются предопределенным правилам, то этот пиксель добавляется к области начального пикселя, и следующий процесс продолжается до тех пор, пока не исчезнет сходство. В этом методе используется восходящий подход. В случае роста региона предпочтительное правило может быть установлено как порог. Например: рассмотрим начальный пиксель 2 в данном изображении и пороговое значение 3, если пиксель имеет значение больше 3, то он будет считаться внутри области начального пикселя. В противном случае он будет рассматриваться в другом регионе. Следовательно, на следующем изображении формируются 2 области на основе порогового значения 3.
Техника разделения и слияния регионов
При разделении на регионы все изображение сначала берется как единый регион. Если регион не следует предопределенным правилам, то он далее делится на несколько регионов (обычно 4 квадранта), а затем предопределенные правила применяются к этим регионам, чтобы решить, следует ли далее подразделить или классифицировать это как регион. Следующий процесс продолжается до тех пор, пока не отпадет необходимость в дальнейшем разделении на регионы, т.е. каждый регион следует заранее определенным правилам. В технике объединения регионов мы рассматриваем каждый пиксель как отдельную область. Мы выбираем регион в качестве исходного региона, чтобы проверить, похожи ли соседние регионы на основе предопределенных правил. Если они похожи, мы объединяем их в одну область и продвигаемся вперед, чтобы построить сегментированные области всего изображения. И разделение области, и объединение области являются итерационными процессами. Обычно первое разделение области выполняется на изображении, чтобы разделить изображение на максимальное количество областей, а затем эти области объединяются, чтобы сформировать хорошее сегментированное изображение исходного изображения.
В случае разделения региона можно проверить следующее условие, чтобы решить, следует ли разделить регион или нет. Если абсолютное значение разности максимальной и минимальной интенсивности пикселей в области меньше или равно пороговому значению, определенному пользователем, тогда область не требует дальнейшего разделения.
Сегментация на основе кластеризации
Кластеризация - это разновидность алгоритма машинного обучения без учителя. Он широко используется для сегментации изображений. Одним из наиболее распространенных алгоритмов на основе кластеризации, используемых для сегментации, является KMeans Clustering. Этот тип кластеризации можно использовать для создания сегментов цветного изображения.
Кластеризация средств KMeans
Представим себе двухмерный набор данных для лучшей визуализации. Во-первых, в наборе данных сначала случайным образом инициализируются центроиды (выбранные пользователем). Затем вычисляется расстояние от всех точек до всех кластеров, и точка присваивается кластеру с наименьшим расстоянием. Затем центроиды всех кластеров пересчитываются, принимая среднее значение этого кластера в качестве центроида. Затем этим кластерам снова назначаются точки данных. И процесс продолжается до тех пор, пока алгоритм не сойдется к хорошему решению. Обычно алгоритму требуется очень небольшое количество итераций, чтобы прийти к решению, и он не отскакивает.
использованная литература
- Сегментация изображений по регионам на хинди | Цифровая обработка изображений, https://www.youtube.com/watch?v=mPJTOcEJOhY
- Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы создания интеллектуальных систем, автор - Аурелиен Джерон
Я надеюсь, что вы найдете эту статью и объяснение полезными. Следите за новостями о других методах сегментации в следующих частях.
Не стесняйтесь подключаться и предлагать свои предложения: https://www.linkedin.com/in/mrinal-tyagi-02a1351b1/
