Segmentácia 2

Zhrnutie prednášky

Prednáška predstavuje pokročilejšie metódy segmentácie obrazu. Vysvetľuje kritérium homogenity založené na smerodajnej odchýlke jasu, ktoré na rozdiel od priemerného jasu rozlíši jednoliate a nehomogénne oblasti, a na ňom stavia spájanie oblastí, štiepenie do kvadrantového stromu a ich kombináciu. Ďalej sa venuje hľadaniu vzorov, pyramídovej reprezentácii obrazu pre škálovú invariantnosť (metóda SIFT) a segmentácii pomocou pyramid linking. Stručne opisuje moderné konvolučné neurónové siete typu enkóder-dekóder (U-Net), ktoré sa učia mapovať obraz na segmentačnú masku. Na záver zavádza algoritmus značenia spojených komponentov, ktorý prechádza obraz a pomocou zásobníka priraďuje objektom samostatné značky.

• - Kritérium homogenity určuje, či je oblasť jednoliata; vhodná je smerodajná odchýlka jasu, nie priemerný jas.
• - Spájanie oblastí zlučuje susedné oblasti, ktoré spĺňajú kritérium homogenity.
• - Štiepenie oblastí rozdeľuje nehomogénne oblasti na štyri kvadranty a vytvára kvadrantový strom, ktorý je úspornou reprezentáciou obrazu.
• - Spájanie a štiepenie možno kombinovať pre kvalitnejšiu segmentáciu.
• - Pyramídová reprezentácia pomáha hľadať vzory v rôznych mierkach, ale nerieši rotáciu; pyramid linking iteratívne priraďuje pixely k najpodobnejšiemu rodičovi.
• - Konvolučné siete typu enkóder-dekóder (U-Net) sa učia z dvojice obraz a segmentačná maska pomocou spätného šírenia chyby.
• - Značenie spojených komponentov (labeling connected components) prechádza obraz a pomocou zásobníka priraďuje každému objektu vlastnú značku, čo umožňuje objekty spočítať.

Zhrnutie pripravené s pomocou AI z prepisu videa.