з відомими властивостями;
- розбиття зображення на однорідні області.
Між цими двома постановками завдання є принципова різниця. У першому випадку завдання сегментації полягає у пошуку певних областей, про які є апріорна інформація (наприклад, ми знаємо колір, форму областей, або цікавлять нас області представляють собою зображення відомого об'єкта). Методи цієї групи вузько спеціалізовані для кожної конкретної задачі. Сегментація в такій постановці використовується в основному в задачах машинного зору (аналіз сцен, пошук об'єктів на зображенні).
У другому випадку ніяка апріорна інформація про властивості областей не використовується, зате на саме розбиття зображення накладаються деякі умови (наприклад, всі області повинні бути однорідні за кольором і текстурою). Так як при такій постановці задачі сегментації не використовується апріорна інформація про зображених об'єктах, то методи цієї групи універсальні і застосовні до будь зображенням. В основному сегментація в цій постановці застосовується на початковому етапі рішення задачі, для того щоб отримати уявлення зображення в більш зручному вигляді для подальшої роботи.
Спочатку розглянемо постановку задачі сегментації, як розбиття зображення на однорідні області. Постановка задачі сегментації, як розбиття зображення на однорідні області виникла раніше, ніж завдання виділення областей зображення з відомими властивостями, і методи цієї групи на даний момент добре розроблені.
Ясно, що завдання розбиття зображення на однорідні області поставлена ??некоректно. Далеко не завжди для зображення є єдино «правильна» сегментація, і далеко не завжди завдання сегментації має єдине рішення. З тієї ж причини немає і об'єктивного критерію оцінки якості розбиття зображення.
Оскільки сегментація зазвичай використовується не самостійно, а як частину деякої системи (наприклад, системи машинного зору), то з практичної точки зору, якість роботи методу оцінюється виходячи з роботи системи в цілому. Тому один і той же метод сегментації може виявитися хорошим для однієї задачі і поганим для іншої.
Таким чином, сегментацією зображення називається розбиття зображення на несхожі за деякою ознакою області. Різні методи сегментації орієнтовані на різні властивості розбиття. Тому при виборі методу сегментації для вирішення конкретного завдання, слід визначитися, які властивості розбиття дійсно важливі.
. 2 Методи сегментації. Кластеризація
У постановці задачі сегментації простежується аналогія із завданням кластеризації (або навчання без вчителя). Для того щоб звести задачу сегментації до задачі кластеризації, досить задати відображення точок зображення в деякий простір ознак і ввести метрику (міру близькості) на цьому просторі ознак.
В якості ознак точки зображення можна використовувати подання її кольору в деякому колірному просторі, прикладом метрики (міри близькості) може бути евклідова відстань між векторами в просторі ознак. Тоді результатом кластеризації буде квантування кольору для зображення. Задавши відображення в простір ознак, можна скористатися будь-якими методами кластерного аналізу. Найбільш популярні методи кластеризації, використовувані для сегментації зображень - к-середніх. середніх - це ітеративний метод, який використовується, щоб розділити зображення на K кластерів. Базовий алгоритм приведений нижче:
- вибрати K центрів кластерів, випадково чи на підставі деякої евристики;
- помістити кожен піксель зображення в кластер, центр якого щонайближче до цього пікселю;
- заново обчислити центри кластерів, усредняя всі пікселі в кластері;
- повторювати кроки 2 і 3 до збіжності (наприклад, коли пікселі будуть залишатися в тому ж кластері).
Тут як відстані зазвичай береться сума квадратів або абсолютних значень різниць між пікселем і центром кластера. Різниця зазвичай заснована на кольорі, яскравості, текстурі і місцезнаходження пікселя, або на зваженої сумі цих факторів. K може бути вибрано вручну, випадково чи евристично.
Цей алгоритм гарантовано сходиться, але він може не привести до оптимального рішення. Якість рішення залежить від початкового безлічі кластерів і значення K.
Основна проблема методів кластеризації, полягає в тому, що просторове розташування точок або не враховується зовсім, або враховується побічно (наприклад, використовуючи координати точки як один з ознак). Тому зазвичай після кластеризації точок зображення проводять процедуру виділення зв'язкових компонент.
Таким чином, методи кластеризації погано працюють на зашумлених зображеннях: часто втрачають окре...
