„Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás” változatai közötti eltérés
A VIK Wikiből
| 19. sor: | 19. sor: | ||
==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.== | == 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) === | |||
[TODO] | |||
=== Split & Merge === | |||
[TODO] | |||
A lap 2015. április 15., 20:48-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?
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?
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)
[TODO]
Split & Merge
[TODO]
