Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás

← Vissza az előző oldalra – Számítógépes látórendszerek

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

Mean Shift

• Kiindulás
  • Kernel típusa (Fiat, Gauss...)
  • Kernel mérete
• Iteráció

1. Pontot a kernelen belüli pontok átlagához tolni
2. Ismétlés, amíg „nagy” a változás

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