„Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás” változatai közötti eltérés

A VIK Wikiből
VizuálisWikiszöveges
Új oldal, tartalma: „{{Vissza|Számítógépes látórendszerek}}”
 
 
(12 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? ==
=== 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.==
* 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

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
  1. Pontokat a legközelebbi maghoz rendelni
  2. Új klaszterközéppontok (átlag) számítása
  3. 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
  1. Pontot a kernelen belüli pontok átlagához tolni
  2. 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 eredeti címe: „https://vik.wiki/index.php?title=Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Szegmentálás&oldid=189701”