Ortalama Kaydırma kullanılarak Görüntü Segmentasyonu açıklandı

Mean Shift segmentasyonunun gerçekte nasıl çalıştığını anlamama yardımcı olabilir mi?

İşte az önce oluşturduğum 8x8 matris

  103  103  103  103  103  103  106  104   
  103  147  147  153  147  156  153  104   
  107  153  153  153  153  153  153  107   
  103  153  147  96   98   153  153  104   
  107  156  153  97   96   147  153  107   
  103  153  153  147  156  153  153  101   
  103  156  153  147  147  153  153  104   
  103  103  107  104  103  106  103  107

Yukarıdaki matrisi kullanarak Ortalama Kayma segmentasyonunun 3 farklı sayı seviyesini nasıl ayıracağını açıklamak mümkün mü?

Önce temel bilgiler:

Ortalama Kayma segmentasyonu, yerelleştirilmiş nesnelerde gölgeleme veya tonalite farklılıklarını sönümlemek için çok yararlı olan yerel bir homojenizasyon tekniğidir. Bir örnek birçok kelimeden daha iyidir:

Eylem: her pikseli bir aralık-r mahallesindeki ve değeri d mesafesi içinde olan piksellerin ortalamasıyla değiştirir.

Ortalama Kayma genellikle 3 girdi alır:

1. Pikseller arasındaki mesafeleri ölçmek için bir mesafe işlevi. Genellikle Öklid mesafesi, ancak başka herhangi bir iyi tanımlanmış mesafe işlevi kullanılabilir. Manhattan uzaklık bazen başka kullanışlı bir seçimdir.
2. Bir yarıçap. Bu yarıçap içindeki tüm pikseller (yukarıdaki mesafeye göre ölçülür) hesaplama için dikkate alınacaktır.
3. Değer farkı. R yarıçapı içindeki tüm piksellerden, ortalamayı hesaplamak için yalnızca değerleri bu fark dahilinde olanları alacağız.

Lütfen algoritmanın sınırlarda iyi tanımlanmadığını, bu nedenle farklı uygulamaların size burada farklı sonuçlar vereceğini unutmayın.

Doğru matematiksel gösterim olmadan gösterilmeleri imkansız olduğundan, StackOverflow'da bulunmadığından ve ayrıca başka yerlerde iyi kaynaklardan bulunabildiklerinden , burada kanlı matematiksel ayrıntıları tartışmayacağım .

Matrisinizin merkezine bakalım:

153  153  153  153 
147  96   98   153 
153  97   96   147   
153  153  147  156  

Yarıçap ve mesafe için makul seçeneklerle, dört merkez piksel 97 değerini (ortalamaları) alacak ve bitişik piksellerden farklı olacaktır.

Mathematica'da hesaplayalım . Gerçek sayıları göstermek yerine, bir renk kodlaması göstereceğiz, böylece ne olduğunu anlamak daha kolay:

Matrisiniz için renk kodlaması:

Sonra makul bir Ortalama Değişim alırız:

MeanShiftFilter[a, 3, 3]

Ve biz alırız:

Tüm merkez elemanlarının eşit olduğu yer (97, BTW).

Daha homojen bir renk elde etmeye çalışarak Mean Shift ile birkaç kez yineleyebilirsiniz. Birkaç yinelemeden sonra, kararlı, izotropik olmayan bir konfigürasyona ulaşırsınız:

Şu anda, Mean Shift'i uyguladıktan sonra kaç "renk" alacağınızı seçemeyeceğiniz açık olmalıdır. Öyleyse, nasıl yapılacağını gösterelim, çünkü bu, sorunuzun ikinci kısmı.

Çıktı kümelerinin sayısını önceden ayarlayabilmeniz için ihtiyacınız olan şey, Kmeans kümelemesi gibi bir şeydir .

Matrisiniz için şu şekilde çalışır:

b = ClusteringComponents[a, 3]

{{1, 1, 1, 1, 1, 1, 1, 1}, 
 {1, 2, 2, 3, 2, 3, 3, 1}, 
 {1, 3, 3, 3, 3, 3, 3, 1}, 
 {1, 3, 2, 1, 1, 3, 3, 1}, 
 {1, 3, 3, 1, 1, 2, 3, 1}, 
 {1, 3, 3, 2, 3, 3, 3, 1}, 
 {1, 3, 3, 2, 2, 3, 3, 1}, 
 {1, 1, 1, 1, 1, 1, 1, 1}}  

Veya:

Bu önceki sonucumuza çok benziyor, ancak görebileceğiniz gibi, şimdi sadece üç çıktı seviyemiz var.

HTH!

Ortalama Kaydırma segmentasyonu şu şekilde çalışır:

Görüntü verileri özellik alanına dönüştürülür

Sizin durumunuzda, sahip olduğunuz tek şey yoğunluk değerleridir, bu nedenle özellik uzayı yalnızca tek boyutlu olacaktır. (Örneğin, bazı doku özelliklerini hesaplayabilirsiniz ve sonra özellik alanınız iki boyutlu olur - ve yoğunluk ve dokuya göre segmentlere ayırırsınız )

Arama pencereleri özellik alanı üzerine dağıtılır

Bu örnek için pencere sayısı, pencere boyutu ve ilk konumlar isteğe bağlıdır - belirli uygulamalara bağlı olarak ince ayar yapılabilen bir şey

Ortalama Kaydırma yinelemeleri:

1.) Her pencerede bulunan veri örneklerinin ORTALAMALARI hesaplanır

2.) Pencereler, önceden hesaplanan araçlarına eşit konumlara KAYDEDİLİR

1.) ve 2.) adımları yakınsamaya kadar tekrar edilir, yani tüm pencereler son konumlara yerleşir.

Aynı konumlara gelen pencereler birleştirildi

Veriler, pencere geçişlerine göre kümelenir

... örneğin “2” konumunda sona eren pencereler tarafından geçilen tüm veriler, bu konumla ilişkili bir küme oluşturacaktır.

Yani, bu bölümleme (tesadüfen) üç grup üretecektir. Bu grupları orijinal resim formatında görmek belisarius'un cevabındaki son resim gibi görünebilir . Farklı pencere boyutları ve başlangıç ​​konumlarının seçilmesi farklı sonuçlar üretebilir.