„Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás” változatai közötti eltérés
A VIK Wikiből
kérdés import |
|||
| (11 közbenső módosítás, amit 3 másik szerkesztő végzett, nincs mutatva) | |||
| 1. sor: | 1. sor: | ||
{{Vissza|Számítógépes látórendszerek}} | {{Vissza|Számítógépes látórendszerek}} | ||
==Mit jelent a szegmentálás? Mikor van rá szükség? Mik a főbb nehézségei?<br/>Mit jelent a szegmentálás során az idő-konzisztencia?<br/>A Szegmentálás paraméterterében milyen összetevőket alkalmazhatunk?== | == Mit jelent a szegmentálás? Mikor van rá szükség? Mik a főbb nehézségei?<br/>Mit jelent a szegmentálás során az idő-konzisztencia?<br/>A Szegmentálás paraméterterében milyen összetevőket alkalmazhatunk? == | ||
=== Szegmentálás === | |||
Azonos tulajdonságú pixelek homogén régiókba történő csoportosítása. | |||
[http://www.inf.u-szeged.hu/~kato/teaching/segmentation/01_segmentation.pdf Forrás] | |||
=== Szükséges/Felhasználás === | |||
*Felületleírás | |||
*Sztereó látás (élek megfeleltetése => 3Drekonstrukció) | |||
*Alakfelismerés | |||
*Képi adatbázis indexelése, keresés | |||
=== Nehézségek === | |||
* színhasonlóság | |||
* mozgás (elmosódott élek) | |||
* defókuszáltság | |||
* hasonló textúrák | |||
==Sorolja fel a fontosabb szegmentálási módszereket. Pár szóban mutassa be őket.== | ==Sorolja fel a fontosabb szegmentálási módszereket. Pár szóban mutassa be őket.== | ||
* Küszöbözés, hisztogram alapú | |||
* Éldetektálás alapú | |||
* '''Klaszterezés''': | |||
**színcsatornák | |||
**térbeli eloszlás | |||
**időbeli eloszlás | |||
* Régiónövelés | |||
* Tömörítés-alapú módszerek | |||
* Paraméteres megoldások, görbeillesztés | |||
* Modell alapú | |||
* Tanuló rendszerek | |||
==Ismertesse a K-Means és a Mean Shift algoritmusokat. Milyen előnyeik és hátrányaik vannak? Mikor használjuk őket?== | ==Ismertesse a K-Means és a Mean Shift algoritmusokat. Milyen előnyeik és hátrányaik vannak? Mikor használjuk őket?== | ||
==Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket.== | ===K-Means=== | ||
*Kiindulás | |||
**Klaszterek száma (K) | |||
**Kiindulási klaszterközéppontok (magok) | |||
*Iteráció | |||
#Pontokat a legközelebbi maghoz rendelni | |||
#Új klaszterközéppontok (átlag) számítása | |||
#Ismétlés, amíg „nagy” a változás | |||
*Előny | |||
**Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség | |||
=== Mean Shift === | |||
*Kiindulás | |||
**Kernel típusa (Fiat, Gauss...) | |||
**Kernel mérete | |||
*Iteráció | |||
#Pontot a kernelen belüli pontok átlagához tolni | |||
#Ismétlés, amíg „nagy” a változás | |||
*Előny | |||
**Nem kell a szegmensek számát megadni induláskor, megától talál | |||
*Hátrány | |||
**Lassabb | |||
== Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket. == | |||
Kiinduláskor a pixelek egyenként külön halmazokat alkotnak. Összehasonlítjuk őket a szomszédaikkal, hasonlóság esetén összevonjuk a halmazokat [?]. Hasonlóság lehet: | |||
* Kiválasztott (szín)csatornák | |||
* Defókuszáltság | |||
* Mélység (Mélységi képen) | |||
=== SRM (Statisztikus régiónövelés) === | |||
Gráf súlyozás a kül. alapján. | |||
=== Split & Merge === | |||
*Szétválasztás csak hasonló (belül) elemekre | |||
*Hasonlóság alapján egyesítés | |||
A lap jelenlegi, 2016. június 6., 00:25-kori változata
Mit jelent a szegmentálás? Mikor van rá szükség? Mik a főbb nehézségei?
Mit jelent a szegmentálás során az idő-konzisztencia?
A Szegmentálás paraméterterében milyen összetevőket alkalmazhatunk?
Szegmentálás
Azonos tulajdonságú pixelek homogén régiókba történő csoportosítása. Forrás
Szükséges/Felhasználás
- Felületleírás
- Sztereó látás (élek megfeleltetése => 3Drekonstrukció)
- Alakfelismerés
- Képi adatbázis indexelése, keresés
Nehézségek
- színhasonlóság
- mozgás (elmosódott élek)
- defókuszáltság
- hasonló textúrák
Sorolja fel a fontosabb szegmentálási módszereket. Pár szóban mutassa be őket.
- Küszöbözés, hisztogram alapú
- Éldetektálás alapú
- Klaszterezés:
- színcsatornák
- térbeli eloszlás
- időbeli eloszlás
- Régiónövelés
- Tömörítés-alapú módszerek
- Paraméteres megoldások, görbeillesztés
- Modell alapú
- Tanuló rendszerek
Ismertesse a K-Means és a Mean Shift algoritmusokat. Milyen előnyeik és hátrányaik vannak? Mikor használjuk őket?
K-Means
- Kiindulás
- Klaszterek száma (K)
- Kiindulási klaszterközéppontok (magok)
- Iteráció
- Pontokat a legközelebbi maghoz rendelni
- Új klaszterközéppontok (átlag) számítása
- Ismétlés, amíg „nagy” a változás
- Előny
- Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség
Mean Shift
- Kiindulás
- Kernel típusa (Fiat, Gauss...)
- Kernel mérete
- Iteráció
- Pontot a kernelen belüli pontok átlagához tolni
- Ismétlés, amíg „nagy” a változás
- Előny
- Nem kell a szegmensek számát megadni induláskor, megától talál
- Hátrány
- Lassabb
Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket.
Kiinduláskor a pixelek egyenként külön halmazokat alkotnak. Összehasonlítjuk őket a szomszédaikkal, hasonlóság esetén összevonjuk a halmazokat [?]. Hasonlóság lehet:
- Kiválasztott (szín)csatornák
- Defókuszáltság
- Mélység (Mélységi képen)
SRM (Statisztikus régiónövelés)
Gráf súlyozás a kül. alapján.
Split & Merge
- Szétválasztás csak hasonló (belül) elemekre
- Hasonlóság alapján egyesítés
