Санкт-Петербургский Государственный

Сегментация изображений

Сегментация изображения – разбиение всего изображения на неперекрывающиеся области, однородные по некоторому признаку:

•по яркости/цвету,

•по близости на изображении,

•по текстуре.

Как можно сформировать однородные области?

•На основе неоднородности на границах: резкие переходы яркости рассматриваются как границы областей;

•На основе однородности внутри областей: в одну область объединяются пиксели, близкие по яркости.

Сегментация изображений

Сегментация через поиск неоднородностей

Наиболее простой и чаще всего используемый вариант: поиск неоднородностей яркости через выделение краев.

1.Найти все контура на изображении (напр., алгоритм Canny); 2.Найти все замкнутые контура;

3.«Внутренности» замкнутых контуров являются искомыми однородными областями.

Сегментация изображений

Сегментация через поиск однородных областей

•Сегментация без учета пространственных связей: пороговое разделение.

•Сегментация с учетом пространственных связей: разрастание областей

(region growing); слияние/разделение областей (region merging/splitting).

Пороговое разделение: автоматическое определение порога

Можно использовать:

1.Предположение о яркости объектов

2.Размеры объектов

3.Площадь изображения, занятого объектом

4.Количество различных типов объектов

Сегментация изображений

Пороговое разделение: автоматическое определение порога

•Если предполагается, что объект занимает P% площади, порог устанавливают так, чтобы отсечь P% пикселей на гистограмме.

Сегментация изображений

Пороговое разделение: автоматическое определение порога

•Расчет порога путем последовательных приближений:

1.Выбрать порог T равным середине диапазона яркостей

2.Вычислить среднюю яркость m1 всех пикселей с яркостью < T, аналогично m2 для пикселей с яркостью > T;

3.Пересчитать порог T = (m1 + m2)/2;

4.Повторять шаги 2, 3 пока порог не перестанет изменяться.

•Если есть предположения о распределении яркостей объекта и фона:

r = log (P1(Ip)/P2(Ip))

Сегментация изображений

Пороговое разделение: определение оптимального порога методом Оцу

Пороговую обработку изображения можно рассматривать как задачу теории статистических решений, в которой цель состоит в минимизации средней ошибки разбиения пикселей на два или более класса.

Основная идея метода Оцу: максимизация межклассовой дисперсии.

Если классы хорошо разделяются по порогу, они должны отличаться значениями яркости своих пикселей, и наоборот, порог, который хорошо разграничивает классы по яркости, будет наилучшим.

Метод Оцу целиком основан на вычислениях, выполняемых над гистограммой изображения.

Пусть дано изображение размерами M×N пикселей с L градациями яркости {0, 1, 2,..., L–1}, ni – число пикселей с яркостью i

1. Вычислить нормированную гистограмму изображения с компонентами pi=ni/ MN, i=0, 1, 2,..., L–1.

Сегментация изображений

Пороговое разделение: определение оптимального порога методом Оцу

3.Вычислить накопленные суммы m(k) для k=0, 1, 2,..., L–1

4.Вычислить среднюю яркость всего изображения (глобальную) mG

5.Вычислить межклассовую дисперсию σB2(k) для k=0, 1, 2,..., L–1

6.Получить порог Оцу k* — такое значение k, при котором σB2(k) максимальна.

Если максимум неоднозначен, взять в качестве k* среднее значение k по всем найденным максимумам.

7. Оценить показатель разделимости η при k=k*, σG2 — дисперсия яркостей всех пикселей изображения (глобальная дисперсия)

Сегментация изображений

Пороговое разделение: определение оптимального порога методом Оцу

(а) Исходное изображение.

(б) Гистограмма (высокие пики обрезаны, чтобы были видны детали в области меньших значений).

(в) Результат сегментации с помощью пороговой обработки путем последовательных приближений.

(г) Результат обработки методом Оцу.

Сегментация изображений

Пороговое разделение: автоматическое определение порога

•Адаптивное определение порога: яркость фона может быть разной в разных частях изображения, один порог не подойдет.

Для каждого пикселя изображения I(x, y):

1)В окрестности пикселя радиуса r высчитывается индивидуальная для данного пикселя величина C;

2)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

Хорошо работает, когда размер объектов заметно меньше размера оцениваемой