Teknik Segmentasi Gambar modern yang paling umum

Saya melakukan beberapa membaca tentang teknik segmentasi gambar dan saya bertanya-tanya tentang algoritma segmentasi modern, canggih.

Apa teknik segmentasi saat ini yang 'wajib dibaca', yaitu saat ini paling umum digunakan di komunitas? Teknik apa yang Anda hubungi dan menemukan yang paling efektif dan berguna (dan untuk aplikasi apa)?

Saya tidak tahu tentang banyak teknik segmentasi, tetapi saya telah berurusan dengan struktur yang menawarkan "pilihan" potongan segmentasi yang dapat diperiksa lebih lanjut untuk menghasilkan segmentasi yang memuaskan.

Semoga ada orang lain yang bisa menulis tentang metode segmentasi canggih yang saya tidak tahu banyak.

Pengantar kecil mengapa bagus untuk memiliki pilihan, atau level, segmentasi untuk gambar yang berbeda: segmentasi adalah masalah yang tidak jelas . The Kebenaran tanah tidak ada: hasil yang diinginkan selalu tergantung pada kebutuhan pengguna dan spesifikasi. Kutipan yang bagus:

Bahkan untuk gambar tetap, mungkin ada lebih dari satu segmentasi "terbaik" karena kriteria yang menentukan kualitas segmentasi bergantung pada aplikasi. Ini memotivasi kami untuk memfokuskan penelitian kami pada teknik partisi-gambar yang menghasilkan "potongan puzzle" yang dapat digunakan (...) untuk menghasilkan segmentasi yang memuaskan kebutuhan pengguna tertentu

( P. Soille: Konektivitas Terbatas untuk Partisi dan Penyederhanaan Gambar Hirarki (2008) )

Ada struktur hierarkis , dekomposisi gambar hierarkis yang mengusulkan partisi gambar dengan berbagai kompleksitas. Struktur-struktur ini paling sederhana direpresentasikan sebagai struktur pohon, di mana setiap node mewakili suatu wilayah dalam gambar. Gagasan dengan struktur:

• dedaunan struktur adalah wilayah partisi halus, atau segmentasi berlebihan gambar (misalnya piksel, zona datar - daerah terhubung dengan intensitas yang sama, batas air )
• tautan di pohon mewakili penggabungan atau penyatuan wilayah (tetangga) dan membentuk wilayah yang lebih kompleks, dan dibangun dengan cara yang paling mungkin menghasilkan daerah yang sesuai dengan objek (mudah-mudahan :))
• kompleksitas daerah meningkat di sepanjang setiap cabang dari node menuju akar pohon
• setiap tingkat pohon (juga, setiap potongan) adalah partisi / segmentasi gambar (lebih kasar lebih dekat ke akar itu)
• akar pohon mencakup seluruh domain gambar

The segmentasi dari terdiri dari memeriksa daerah dan serikat mereka mengusulkan, untuk menentukan daerah di pohon atau memotong pohon yang sesuai dengan yang dibutuhkan presisi, atau beberapa sifat diketahui tentang objek yang menarik, atau pra-didefinisikan spesifikasi pengguna lainnya.

Pohon (yaitu, dekomposisi gambar hierarkis) dengan properti seperti itu adalah:

• $\alpha$
• $(\omega)$
• Pohon partisi biner (ditujukan untuk segmentasi , dan deteksi objek )

Selain tautan ke makalah yang telah disediakan, beberapa makalah saat ini lebih spesifik dan kurang spesifik pada jenis teknik segmentasi ini:

• Cousty, J., Najman, L .: Algoritma Tambahan untuk Hutan Rentang Minimum Hierarkis dan Saliency dari Potongan DAS (2011)
• Soille, P., Grazzini, J .: Konektivitas Terbatas dan Daerah Transisi (2009)

(lebih praktis):

• Serna, A., Marcotegui, B .: Atribut Controlled Reconstruction and Adaptive Mathematical Morphology (2013)
• Merciol, F., Lefèvre, S .: Segmentasi gambar dan video yang cepat berdasarkan representasi multiskala alpha-tree (2012)

Sebagai tambahan untuk jawaban Penelope , dua keluarga populer (dan trendi) algoritma.

Superpixels

Keluarga algoritma yang sangat populer yang disebut Superpixels sangat trendi sekarang (bahkan ada beberapa sesi Superpixel dalam konferensi CV). Superpixel sangat mirip segmentasi berlebih (seperti yang diberikan DAS), sehingga diperlukan beberapa pemrosesan pasca.

Superpixels dapat dilihat sebagai wilayah gambar homogen kecil . Jarak antara piksel dievaluasi seperti dalam penyaringan bilateral, yaitu, itu adalah campuran antara jarak spasial dan kesamaan visualnya yang pergi ke 0 ketika mereka dekat dan serupa dan untuk beberapa nilai yang lebih besar sebaliknya.
Kemudian, metode superpixels mencoba berbagai kriteria untuk membentuk daerah homogen kecil sehubungan dengan ukuran ini. Ada banyak dari mereka (berbasis grafik, pencarian mode / berbasis pengelompokan ...), jadi saya kira yang terbaik adalah merujuk Anda ke laporan teknologi ini .

(sunting :) Jika seseorang mencari karya peer-review yang diterbitkan, artikel ini ditulis oleh penulis yang sama dan mencakup materi yang sama dengan laporan teknologi: R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk: SLP Superpixel Dibandingkan dengan Metode Superpixel yang canggih

Catat ketika saya menulis versi pertama dari jawaban yang secara visual hasilnya sangat mirip dengan apa yang disediakan oleh segmentasi berlebihan DAS. Ini dikonfirmasi oleh penulis laporan teknologi yang memasukkan daerah aliran sungai di bagian pekerjaan terkait. Jadi, Anda juga perlu melakukan pemrosesan pasca yang sama: sementara superpixel dapat menjadi fitur yang berguna untuk digunakan sebagai pengganti piksel, mereka masih perlu dikelompokkan untuk membentuk wilayah tingkat yang lebih tinggi jika Anda perlu melacak / mendeteksi objek.

Metode segmentasi berbasis grafik

Keluarga algoritme populer lainnya berasal dari analisis hubungan piksel, yaitu, seberapa dekat piksel dalam penampilannya. Ini menghasilkan keluarga berbasis teori metode segmentasi seperti pemotongan yang dinormalisasi (J. Shi, J. Malik: Potongan Normalisasi dan Segmentasi Gambar ) .

Inilah intuisi untuk pendekatan ini: anggaplah piksel Anda sekarang adalah titik (simpul) dari grafik dimensi tinggi.
Dalam grafik, dua simpul dapat dihubungkan oleh suatu sisi , yang beratnya berbanding terbalik dengan jarak antar simpul. Biasanya, fungsi bobot akan menjadi suatu kebalikan dari campuran antara jarak spasial mereka dan kesamaan visual mereka (seperti dalam penyaringan bilateral)
Kemudian, mengingat grafik ini, algoritma segmentasi dapat mencari kelompok simpul terbaik, yaitu kelompok simpul yang memiliki jarak intra-grup kecil dan jarak grup ekstra besar .

Dalam pendekatan Cut Normalisasi, beberapa perawatan tambahan diambil untuk menghindari bias yang diperkenalkan oleh ukuran populasi yang berbeda dari cluster. Selanjutnya, eksplorasi grafik dapat dihindari dengan menghitung SVD dari matriks bobot, juga dikenal sebagai matriks konektivitas dalam teori grafik.

Saya kira untuk tinjauan global dari algoritma canggih untuk segmentasi, seseorang perlu mencari survei terbaru. Tinjauan global yang baik dengan tantangan disajikan dalam Buku Szeliski .