Segmentation de l'Image en utilisant le décalage moyen expliqué
Quelqu'un pourrait-il m'aider à comprendre comment fonctionne réellement la segmentation par décalage?
Voici une matrice 8x8 que je viens de créer
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
En utilisant la matrice ci-dessus, est-il possible d'expliquer comment la segmentation par décalage moyen séparerait les 3 différents niveaux de nombres?
2 réponses
les bases d'abord:
La segmentation par décalage moyen est une technique d'homogénéisation locale très utile pour atténuer l'ombrage ou les différences de tonalité dans les objets localisés. Un exemple vaut mieux que beaucoup de mots:
Action: remplace chaque pixel par la moyenne des pixels dans un voisinage range-r et dont la valeur est dans une distance d.
Le décalage moyen prend généralement 3 entrées:
- une fonction de distance pour mesure des distances entre les pixels. Habituellement, la distance euclidienne, mais toute autre fonction de distance bien définie pourrait être utilisée. Le Manhattan Distance est un autre choix utile parfois.
- un rayon. Tous les pixels dans ce rayon (mesurés en fonction de la distance ci-dessus) seront pris en compte pour le calcul.
- une différence de valeur. De tous les pixels à l'intérieur du rayon r, Nous ne prendrons que ceux dont les valeurs sont dans cette différence pour calculer la moyenne
Veuillez noter que l'algorithme n'est pas bien défini aux frontières, donc différentes implémentations vous donneront des résultats différents là-bas.
Je ne vais pas discuter des détails mathématiques sanglants ici, car ils sont impossibles à montrer sans notation mathématique appropriée, non disponible dans StackOverflow, et aussi parce qu'ils peuvent être trouvés de bonnes sources ailleurs.
, regardons le centre de votre matrice:
153 153 153 153
147 96 98 153
153 97 96 147
153 153 147 156
Avec des choix raisonnables pour rayon et distance, les quatre pixels centraux obtiendront la valeur de 97 (leur moyenne) et seront différents sous forme de pixels adjacents.
Calculons-le dans Mathematica . Au lieu de montrer les chiffres réels, nous allons afficher un codage couleur, il est donc plus facile de comprendre ce qui se passe:
Le code couleur de votre matrice est:
Ensuite, nous prenons un décalage moyen raisonnable:
MeanShiftFilter[a, 3, 3]
Et nous obtenons:
Où tous les éléments centraux sont égaux (à 97, BTW).
Vous pouvez itérer plusieurs fois avec le décalage moyen, en essayant d'obtenir une coloration plus homogène. Après quelques itérations, vous arrivez à une configuration Non isotrope stable:
Pour le moment, il devrait être clair que vous ne pouvez pas sélectionner le nombre de "couleurs" que vous obtenez après avoir appliqué le décalage moyen. Alors, montrons comment le faire, parce que c'est la deuxième partie de votre question.
Ce dont vous avez besoin pour pouvoir définir le nombre de clusters de sortie à l'avance est quelque chose comme kmeans clustering.
, Il fonctionne de cette façon pour votre matrice:
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}}
Ou:
Ce qui est très similaire à notre résultat précédent, mais comme vous pouvez le voir, nous n'avons maintenant que trois niveaux de sortie.
HTH!
Une segmentation de décalage Moyen fonctionne comme ceci:
Les données d'image sont converties en espace d'entités
Dans votre cas, tout ce que vous avez sont des valeurs d'intensité, donc l'espace de fonctionnalité ne sera qu'unidimensionnel. (Vous pouvez calculer certaines entités de texture, par exemple, et votre espace d'entités serait bidimensionnel-et vous segmenteriez en fonction de l'intensité et texture)
Les fenêtres de recherche sont réparties sur la fonctionnalité espace
Le nombre de fenêtres, la taille de la fenêtre et les emplacements initiaux sont arbitraires pour cet exemple-quelque chose qui peut être affiné en fonction des applications spécifiques
itérations de décalage Moyen:
1.) Les moyennes des échantillons de données dans chaque fenêtre sont calculées
2.) Les fenêtres sont décalées vers les emplacements égaux à leurs moyennes précédemment calculées
Étapes 1.) et 2.) sont répétées jusqu'à ce que convergence, c'est-à-dire que toutes les fenêtres se sont installées sur les emplacements finaux
Les fenêtres qui se retrouvent sur les mêmes emplacements sont regroupées
Les données sont regroupées en fonction des traversées de fenêtre
... par exemple, toutes les données qui ont été traversées par windows qui se sont retrouvées à, disons, l'emplacement "2", formeront un cluster associé à cet emplacement.
Donc, cette segmentation produira (par coïncidence) trois groupes. Affichage de ces groupes dans le le format d'image original peut ressembler à la dernière image de la réponse de belisarius . Choisir différentes tailles de fenêtre et emplacements initiaux peut produire des résultats différents.
