„Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás” változatai közötti eltérés
A VIK Wikiből
| (2 közbenső módosítás, amit 2 másik szerkesztő végzett, nincs mutatva) | |||
| 38. sor: | 38. sor: | ||
#Új klaszterközéppontok (átlag) számítása | #Új klaszterközéppontok (átlag) számítása | ||
#Ismétlés, amíg „nagy” a változás | #Ismétlés, amíg „nagy” a változás | ||
*Előny | |||
**Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség | |||
=== Mean Shift === | === Mean Shift === | ||
*Kiindulás | *Kiindulás | ||
| 45. sor: | 48. sor: | ||
#Pontot a kernelen belüli pontok átlagához tolni | #Pontot a kernelen belüli pontok átlagához tolni | ||
#Ismétlés, amíg „nagy” a változás | #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. == | == Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket. == | ||
| 56. sor: | 63. sor: | ||
=== Split & Merge === | === 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
