Segmentarea imaginii

Imagine segmentată a femurului

Metoda partiției grafice: proximitatea MRF (câmpuri aleatorii Markov) cu un pixel

Segmentarea unei imagini în procesarea digitală a imaginii este procesul de partiționare a unei imagini în regiuni semnificative. Este folosit pentru a obține o reprezentare mai compactă, pentru a extrage obiecte sau ca instrument pentru analiza imaginilor și vă permite să partiționați imagini digitale în seturi de pixeli. Scopul segmentării este simplificarea și / sau schimbarea reprezentării imaginilor în ceva mai semnificativ și mai ușor de analizat.

Segmentarea este de obicei utilizată pentru a localiza obiecte și margini (linii, curbe etc.). Mai precis, segmentarea este procesul prin care sunt clasificați pixelii de imagine care au caracteristici comune, prin urmare fiecare pixel dintr-o regiune este similar cu ceilalți din aceeași regiune pentru o anumită proprietate sau caracteristică (culoare, intensitate sau textură). Regiunile adiacente sunt semnificativ diferite în ceea ce privește cel puțin una dintre aceste caracteristici. Rezultatul unei imagini segmentate este un set de segmente care, colectiv, acoperă întreaga imagine.

Există trei tipuri principale de algoritm pentru segmentarea unei imagini: pe baza histogramei , pe baza creșterii / împărțirii regiunilor și pe baza tehnicii de relaxare.

Metodologii de segmentare

Mai jos este o listă a metodelor de segmentare:

Prag (Prag)
Metode de grupare
Metode bazate pe compresie
Metode bazate pe histogramă
Recunoașterea conturului
Metoda de grupare duală
Metoda de creștere a regiunii
Metode bazate pe ecuații diferențiale parțiale
- Metode parametrice
- Metode de stabilire a nivelului
- Metode de potrivire rapidă

Metode variaționale
Metode de partiție grafică
- Câmpuri Markov aleatorii
  - Segmentarea imaginii supravegheate folosind MRF și MAP
  - Algoritmi de optimizare
    - Moduri condiționate iterate / coborâre în gradient
    - Recocire simulată (SA)
    - Algoritmi alternativi
  - Segmentarea imaginii nesupravegheate folosind MRF și maximizarea așteptărilor
  - Segmentarea imaginii bazată pe implementarea MRF

Transformarea bazinului hidrografic
Segmentare bazată pe model
Segmentare pe mai multe scări
- Segmentarea semnalului ierarhic unidimensional
Segmentare semi-automată
Segmentare antrenabilă

Regiunea în creștere

Același subiect în detaliu: Regiunea în creștere .

Aceste mecanisme se bazează pe ideea că trebuie să găsim regiuni care să reprezinte obiecte sau părți ale acestora; din acest motiv, domeniul imaginii trebuie împărțit în $n$ ${\ displaystyle n}$ $n$ regiuni $R(1)\ ...\ R(n)$ ${\ displaystyle R (1) \ ... \ R (n)}$ ${\ displaystyle R (1) \ ... \ R (n)}$ iar regula de segmentare este un predicat logic $P(R)$ ${\ displaystyle P (R)}$ ${\ displaystyle P (R)}$ . Procedura de segmentare partiționează colecția $X$ ${\ displaystyle X}$ $X$ a imaginii din $Nu.$ ${\ displaystyle N}$ $Nu.$ subseturi astfel încât: unirea unor astfel de subseturi să corespundă cu mulțimea $X$ ${\ displaystyle X}$ $X$ , subseturile sunt disjuncte, predicatul $P(R)$ ${\ displaystyle P (R)}$ ${\ displaystyle P (R)}$ presupune o valoare de adevăr pozitivă pentru fiecare dintre aceste subseturi și că predicatul nu poate fi verificat $P(R)$ ${\ displaystyle P (R)}$ ${\ displaystyle P (R)}$ pentru o regiune corespunzătoare unirii mai multor subseturi $R. the$ ${\ displaystyle Ri}$ $Re$ . Rezultatul segmentării este un predicat logic având forma $P(R,\ x,\ t)$ ${\ displaystyle P (R, \ x, \ t)}$ ${\ displaystyle P (R, \ x, \ t)}$ , in care $X$ ${\ displaystyle x}$ $X$ este un vector al caracteristicilor asociate pixelului (luminozitate, textură, culoare, coordonate spațiale), $t$ ${\ displaystyle t}$ $t$ este un vector de parametri (de obicei valori prag).

Așa-numita creștere a regiunii folosește o abordare simplă, adică începe de la câțiva pixeli (semințe) care reprezintă regiuni distincte ale imaginii (pentru a face acest lucru ne putem baza pe informațiile furnizate de histogramă) și le „crește” până la întreaga imagine este acoperită. Pentru a face acest lucru, avem nevoie de o regulă care să descrie mecanismul de creștere și o regulă care să verifice omogenitatea fiecărei regiuni după fiecare „creștere” și care să verifice dacă este posibil să se alăture două regiuni distincte. Mecanismul de creștere funcționează astfel: la fiecare pas $k$ ${\ displaystyle k}$ $k$ și pentru fiecare regiune $Ri(k),\ i\ =\ 1,...,N$ ${\ displaystyle Ri (k), \ i \ = \ 1, ..., N}$ ${\ displaystyle Ri (k), \ i \ = \ 1, ..., N}$ , se verifică dacă există pixeli neclasificați în cartierul cu 8 conexiuni (pe scurt, cei opt pixeli care îl înconjoară pe cel examinat) din fiecare pixel al marginii regiunii; dacă da, înainte de a atribui acel pixel regiunii $Ri(k)$ ${\ displaystyle Ri (k)}$ ${\ displaystyle Ri (k)}$ , apare dacă regiunea este încă omogenă, adică dacă $P(Ri(k),\ U{x})\ =\ TRUE$ ${\ displaystyle P (Ri (k), \ U {x}) \ = \ TRUE}$ ${\ displaystyle P (Ri (k), \ U {x}) \ = \ TRUE}$ .

Un posibil exemplu de test de omogenitate este următorul: dacă intensitatea pixelului este apropiată de valoarea medie a regiunii, aceasta este $I(r,\ c)-M(i)\leq \ T(i)$ ${\ displaystyle I (r, \ c) -M (i) \ leq \ T (i)}$ ${\ displaystyle I (r, \ c) -M (i) \ leq \ T (i)}$ .

Pragul $T. the$ ${\ displaystyle Ti}$ ${\ displaystyle Ti}$ variază în funcție de regiune $R. n$ ${\ displaystyle Rn}$ ${\ displaystyle Rn}$ și intensitatea pixelilor $I(r,\ c)$ ${\ displaystyle I (r, \ c)}$ ${\ displaystyle I (r, \ c)}$ , un posibil prag este: $T(i)$ ${\ displaystyle T (i)}$ ${\ displaystyle T (i)}$ = $(1$ ${\ displaystyle (1}$ ${\ displaystyle (1}$ - $\Sigma (i)/M(i)$ ${\ displaystyle \ Sigma (i) / M (i)}$ ${\ displaystyle \ Sigma (i) / M (i)}$ $)T$ ${\ displaystyle) T}$ ${\ displaystyle) T}$ . Un mecanism similar poate fi folosit pentru a fuziona regiuni distincte: date fiind abaterile standard ale valorilor prezente în cele două regiuni, dacă | $M1$ ${\ displaystyle M1}$ ${\ displaystyle M1}$ - $M2$ ${\ displaystyle M2}$ ${\ displaystyle M2}$ | < $(k)dev.st.(i)$ ${\ displaystyle (k) dev.st. (i)}$ ${\ displaystyle (k) dev.st. (i)}$ , cu $i=1,\ 2$ ${\ displaystyle i = 1, \ 2}$ ${\ displaystyle i = 1, \ 2}$ , cele două regiuni sunt îmbinate împreună.

Despică

O abordare diferită de sus în jos a creșterii regiunii este aceea a împărțirii: pleacă de la ipoteza că imaginea este omogenă; dacă acest lucru nu este verificat, imaginea este împărțită în alte subimagini (în general 4, pentru a crea așa - numitul arbore quad ). Această procedură se repetă recursiv până când rămân doar regiuni omogene. Deoarece procedura este recursivă, produce o reprezentare care poate fi descrisă de un copac ai cărui noduri au patru (sau cel puțin numărul de subimagini care se obțin prin împărțirea) fiecărui copil. O problemă care apare în acest moment cu tehnica de împărțire este cum să se unească regiuni adiacente și omogene care sunt distincte: din acest motiv, o fuziune este urmată la fiecare iterație; procedural, aceasta înseamnă că dați două regiuni $R. the$ ${\ displaystyle Ri}$ $Re$ Și $R. j$ ${\ displaystyle Rj}$ ${\ displaystyle Rj}$ , de sine $P(Ri\cup Rj)=TRUE$ ${\ displaystyle P (Ri \ cup Rj) = ADEVĂRAT}$ ${\ displaystyle P (Ri \ cup Rj) = ADEVĂRAT}$ sunt fuzionate.

Clustering

Același subiect în detaliu: Clustering .

O procedură mai elaborată pentru efectuarea segmentării imaginilor este utilizarea tehnicii de clusterizare , care este, de asemenea, utilizată în multe domenii de aplicații. Această tehnică face posibilă determinarea, pornind de la un set de date, a grupurilor cu caracteristici „similare”, conotând evident această afirmație într-un mod matematic (distanța euclidiană, distanța în ceea ce privește culoarea etc.). Pentru o explicație elaborată, se face trimitere la articolul corespunzător, totuși trebuie să ne amintim că, în cazul specific al procesării imaginilor, printre caracteristicile care trebuie luate în considerare trebuie să existe și coordonatele spațiale, pentru a evita detectarea caracterelor omogene și regiuni unice dar care de fapt sunt distincte în imagine.

Elemente conexe

GIMP
ImageJ
Cartografiere parametrică statistică (SPM)
Morfometrie bazată pe Voxel (VBM)
3DSlicer

Alte proiecte

Wikimedia Commons conține imagini sau alte fișiere pe segmentarea imaginilor

Portalul de biologie

Portal IT