cv2011_14_segmentation

Сравнение

Сложность O(dN^2) с небольшим коэффициентом, d – размерность данных

План лекции

•Края и области

•Характеристики пикселя

•Pb-детектор краёв

•Эвристические методы

•Разрастание регионов (Region growing)

•Разделения и слияния регионов (Split & Merge)

•Водораздел (Watershed)

•Методы на графах

•Нормализованные разрезы

•Метод Felzenszwalb & Huttenlocher

•Кластеризация

•K-средних

•Сдвиг среднего (Mean shift)

•Энергетические методы

•Snakes

•Методы уровня

•ТурбоПиксели (TurboPixels)

Snakes

•Одна из самых заметных работ в области сегментации

•Более 10000 цитирований

•Сформулируем задачу в виде энергии:

I – изображение

C – контур объекта, параметризованный по t на [0,1] Cs, Css - первая и вторая производные

• Зависит только от градиентов изображения, много локальных минимумов (очень зависит от инициализации), непонятно, как расширить на другие признаки

M. Kass, A. Witkin, and D. Terzopoulos. Snakes: Active contour models. IJCV, 1988

Явное представление контура

• В общем виде - сегментацию будем вычислять путём локальной оптимизации энергии, от начального положения:

где n – нормаль к контуру в точке C, F – функция скорости

• Сводится к решению уравнений в частных производных в каждой контрольной точке

Level Sets

•Неявное представление контура с помощью функции вложения (embedding function):

•Получаем:

•Подставив нормаль

Daniel Cremers , Mikael Rousson, Rachid Deriche A review of statistical approaches to level set segmentation: Integrating color, texture, motion and shape, IJCV 2007

Level Sets

•Визуализация представления контура с помощью функции вложения

•Функция вложения позволяет моделировать изменения топологии области

Соревнование областей

• «Region competition» - M областей и контуров

, k – кривизна (curvature)

S. Zhu and A. Yuille, .Region competition: unifying snake/balloon, region growing, and bayes/mdl/energy for multi-band image segmentation,. PAMI 1996

TurboPixel

•Алгоритм, специально нацеленный на сегментацию изображения на суперпиксели

•Даёт суперпиксели примерно одного размера, равномерно распределенные по изображению

•Использует подход level sets для

сегментации

•Сложность O(N), где N – пиксели

•При увеличении количества суперпикселей даже ускоряется

Alex Levinshtein, et. al,TurboPixels: Fast Superpixels Using Geometric Flows, PAMI 2009