cv2011_14_segmentation
.pdfФорма из текстуры
Image source: Todd et al. 2005
Pb-детектор
•Недостаточно находить градиент изображения
•Нужно находить границу между областями с разной текстурой
•Опишем текстуру области набором признаков
•Обучим классификатор граница /
не граница
D. Martin, C. Fowlkes, and J. Malik. Learning to detect natural image boundaries using local brightness, color, and texture cues. PAMI 2004.
«Текстоны» (Texton)
•Для каждого пикселя вычислим отклики по банку фильтров
•Пример: 13 фильтров
•Использовать 13 дополнительных параметров для пикселя сложно
•Построим «словарь» текстуры
•Собираем большую выборку
•Кластеризуем k-cредними
•Получаем «словарь» текстуры
•Каждое слово в словаре – «Текстон»
•Теперь можем квантовать пиксели по текстуре
• Приписываем пикселю номер |
Часть текстонов из словаря |
|
ближайшего текстона из словаря |
||
|
J. Malik, S. Belongie, T. Leung, and J. Shi, “Contour and Texture Analysis for Image Segmentation,” IJCV 2001
Пример карты текстонов
Изображение |
Карта текстонов |
Текстуру фрагмента изображения можно описать гистограмой частот текстонов (похоже на «мешок слов»)
Pb-детектор
•«Probability boundary» (Pb) детектор
•Идея:
•Учесть несколько разных признаков
–Яркость, цвет, текстуру
•Найти максимумы градиентов по совокупности вдоль линии, перпендикулярнойкраю
–Гистограммы яркостей, цвета, текстонов
•Схема:
•Берём круг с центром в исследуемом пикселе
•Выбираем ориентацию края
•Считаем градиент между признаками в левой
иправой половине круга
•Обучаем классификатор края
D. Martin, C. Fowlkes, and J. Malik. Learning to detect natural image boundaries using local brightness, color, and texture cues. PAMI 2004.
Результат
Photo Canny Pb-detector Human
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)
Разрастание регионов (Region growing)
•Простая идея – начиная с некоторого “семени” обходить пиксели и объединять в области пока выполняется условие однородности
•Варианты:
•Задаём несколько семян на изображении
•Последовательное сканирование изображения
Критерий однородности области
•Гистограмма содержит не больше1 значительного пика
•Отклонение любого пикселя от средней яркости < Tavg
1
p S I(p) N q S I(q) Tavg
• Разница между соседними пикселями < Tdiff
p S, q N(p) |
I(p) I(q) |
Tdiff |
•«Слабая» граница между регионами (только для слияния) - позже
Алгоритм разрастания регионов
Среднее: 1 |
|
|
1 |
|
1 |
|
1 |
|
1 |
1 |
|
1 |
|
1 |
2 |
||
Среднее: 1.125 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
1 |
1 |
1 |
1 |
1 |
1 |
0 |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
3 |
|
1 |
4 |
9 |
9 |
8 |
1 |
0 |
||||||||
|
1 |
|
1 |
8 |
8 |
8 |
4 |
1 |
0 |
||||||||
|
1 |
|
1 |
6 |
6 |
6 |
3 |
1 |
0 |
||||||||
|
1 |
|
1 |
5 |
6 |
6 |
3 |
1 |
0 |
||||||||
|
1 |
|
1 |
5 |
6 |
6 |
2 |
1 |
0 |
||||||||
|
1 |
|
1 |
1 |
1 |
1 |
1 |
0 |
0 |
||||||||
p S |
|
I(p) |
1 |
I(q) |
|
|
|
|
Пример δ = 1 |
||||||||
|
|
|
|
||||||||||||||
|
|
|
|||||||||||||||
|
|
|
|
N q S |
|
|
|
|
|
|
|
|
|
|
|
|