SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna dan lebih mudah untuk menganalisis. [1] Gambar segmentasi biasanya digunakan untuk menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar . Lebih tepatnya, segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu.
Hasil segmentasi citra adalah seperangkat seperangkat segmen yang secara kolektif mencakup seluruh gambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatu wilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, seperti warna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengan karakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalam pencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching. thresholding
Metode paling sederhana segmentasi citra disebut metode thresholding. Metode ini didasarkan pada tingkat klip-(atau nilai ambang batas) untuk mengubah citra gray-scale menjadi citra biner.
Kunci dari metode ini adalah untuk memilih nilai ambang (atau nilai ketika beberapa-levels dipilih). Beberapa metode yang populer digunakan dalam industri termasuk metode entropi maksimum, metode Otsu itu (varians maksimum), dan dkk. k-means juga dapat digunakan. Clustering metode
Algoritma K-means adalah iteratif teknik yang digunakan untuk partisi sebuah gambar ke dalam kelompok K. Algoritma Al goritma dasarnya adalah: 1. Pilih pusat klaster K, baik secara acak atau berdasarkan heuristik beberapa. 2. Tugaskan setiap pixel pada gambar untuk cluster yang meminimalkan jarak antara pixel dan pusat cluster.
3. Kembali menghitung pusat cluster dengan rata-rata semua piksel dalam cluster. 4. Ulangi langkah 2 dan 3 hingga konvergensi dicapai (misalnya tidak cluster piksel perubahan)
Dalam hal ini, jarak perbedaan p erbedaan kuadrat atau absolut antara pixel dan pusat cluster. Perbedaannya Perbedaannya biasanya didasarkan pada warna pixel, intensitas, tekstur, dan lokasi, atau kombinasi tertimbang faktor ini. K dapat dipilih secara manual, secara acak, atau dengan sebuah heuristic.
Algoritma ini dijamin untuk bertemu, tetapi tidak dapat mengembalikan solusi optimal. Kualitas dari solusi tergantung pada set awal cluster dan nilai K.
Dalam statistik dan mesin pembelajaran, algoritma k-means adalah algoritma clustering untuk partisi n objek ke dalam kelompok k, dimana k
lebih miskin dibandingkan dengan optimum global. Karena algoritma ini adalah sangat cepat, metode umum adalah dengan menjalankan algoritma beberapa kali dan kembali pengelompokan terbaik ditemukan. Sebuah kelemahan dari algoritma kmeans adalah bahwa jumlah cluster k adalah parameter masukan. Sebuah pilihan yang tidak tepat k dapat menghasilkan hasil yang buruk. Algoritma ini juga mengasumsikan mengasumsikan bahwa varians adalah ukuran yang tepat menyebarkan cluster.
Kompresi metode berbasis
Kompresi metode berbasis postulat bahwa segmentasi yang optimal adalah salah satu yang meminimalkan, atas semua segmentasi mungkin, panjang pengkodean data [3]. [4] Hubungan antara kedua konsep ini adalah bahwa segmentasi mencoba untuk menemukan pola dalam foto dan setiap keteraturan dalam gambar dapat digunakan di gunakan untuk kompres. Metode ini menggambarkan menggambarkan setiap segmen dengan tekstur t ekstur dan bentuk batas. Masing-masing komponen dimodelkan dengan fungsi distribusi probabilitas dan panjangnya coding dihitung sebagai berikut:
1.
Pengkodean Pengkodean batas memanfaatkan fakta bahwa b ahwa daerah di gambar alam cenderung
memiliki kontur halus. Ini sebelum digunakan oleh Huffman coding untuk mengkodekan kode perbedaan rantai kontur dalam foto. Dengan demikian, batas halus adalah, panjang coding pendek itu mencapai. 2. Tekstur dikodekan dengan kompresi lossy dengan cara yang yang sama dengan panjang deskripsi minimum (MDL) prinsip, tapi di sini panjang data yang diberikan model ini didekati dengan jumlah sampel kali entropi model. Tekstur di setiap daerah dimodelkan dengan distribusi normal multivariat yang entropi memiliki ekspresi bentuk tertutup. Satu sifat menarik dari model ini adalah bahwa entropi perkiraan batas entropi benar data dari atas. Hal ini karena di antara semua distro dengan rata-rata yang diberikan dan kovarians, distribusi normal memiliki entropi terbesar. Dengan demikian, panjang coding benar tidak dapat lebih dari apa algoritma mencoba untuk meminimalkan.
Untuk setiap segmentasi tertentu dari suatu gambar, skema ini menghasilkan jumlah bit yang dibutuhkan untuk mengkodekan mengkodekan bahwa gambar berdasarkan segmentasi tertentu.
Dengan demikian, di antara semua segmentasi yang mungkin dari suatu gambar, tujuannya adalah untuk menemukan segmentasi segmentasi yang menghasilkan panjang coding terpendek. Hal ini dapat dicapai dengan metode pengelompokan sederhana agglomerative. Distorsi dalam kompresi lossy menentukan kekasaran segmentasi dan nilai optimal mungkin berbeda untuk setiap gambar. Parameter ini dapat diperkirakan heuristik dari kontras tekstur dalam gambar. Misalnya, ketika tekstur dalam foto mirip, seperti di gambar kamuflase, sensitivitas kuat dan kuantisasi dengan demikian lebih rendah diperlukan.
Histogram metode berbasis
Histogram berbasis metode ini sangat efisien bila dibandingkan dengan dengan metode segmentasi citra lain karena mereka biasanya hanya membutuhkan satu lulus melalui piksel. Dalam teknik ini, histogram dihitung dari semua piksel dalam gambar, dan puncak dan lembah pada histogram yang digunakan untuk menemukan cluster dalam gambar. [1] Warna atau intensitas dapat digunakan sebagai ukuran.
Sebuah perbaikan dari teknik ini adalah secara rekursif menerapkan metode histogramseeking untuk cluster pada gambar untuk membagi mereka menjadi kelompok yang lebih kecil. Ini diulang dengan kelompok yang lebih kecil dan lebih kecil sampai cluster tidak lebih terbentuk. [1] [5]
Salah satu kelemahan dari metode histogram-seeking adalah bahwa hal itu mungkin sulit untuk mengidentifikasi puncak dan lembah yang signifikan dalam gambar. Dalam teknik pencocokan pencocokan jarak klasifikasi citra daerah metrik dan terpadu yang akrab.
Histogram pendekatan berbasis juga dapat dengan cepat diadaptasi terjadi selama beberapa frame, dengan tetap menjaga efisiensi single pass mereka. Histogram dapat dilakukan dalam mode beberapa saat beberapa frame dipertimbangkan. Pendekatan yang sama yang diambil dengan satu frame dapat diterapkan untuk ganda, dan setelah hasil digabung, puncak dan lembah yang sebelumnya sulit untuk mengidentifikasi lebih mungkin untuk dibedakan. Histogram juga dapat diterapkan pada basis pixel per mana hasil informasi yang digunakan untuk menentukan warna yang paling sering untuk lokasi
pixel. Ini segmen pendekatan berdasarkan objek aktif dan lingkungan yang statis, sehingga berbagai jenis segmentasi berguna dalam pelacakan Video.
DETEKSI TEPI
Deteksi tepi adalah bidang yang berkembang dengan baik dengan sendirinya dalam pengolahan citra. Daerah batas-batas dan ujung-ujungnya berkaitan erat, karena sering kali ada penyesuaian tajam dalam intensitas pada batas wilayah. Teknik deteksi tepi karena itu telah digunakan sebagai dasar dari teknik lain segmentasi.
Tepi yang diidentifikasi oleh deteksi tepi sering ter putus. Untuk segmen objek dari gambar Namun, orang perlu batas-batas wilayah tertutup. Tepi diinginkan adalah batas-batas antara obyek tersebut.
Metode segmentasi juga dapat diterapkan ke tepi diperoleh dari detektor t epi. Lindeberg dan Li [6] mengembangkan mengembangkan metode terpadu yang segmen menjadi segmen-segmen tepi tepi lurus dan melengkung untuk bagian b agian berbasis pengenalan obyek, berdasarkan panjang deskripsi minimum (MDL) kriteria yang dioptimalkan dengan metode split-dan-merge-seperti split-dan-merge-seperti dengan calon breakpoints diperoleh dari isyarat is yarat persimpangan komplementer untuk mendapatkan poin lebih mungkin untuk mempertimbangkan di mana partisi menjadi segmen yang berbeda.
Daerah berkembang metode
Wilayah-tumbuh Metode pertama adalah wilayah unggulan metode berkembang. berkembang. Metode ini mengambil satu set bibit sebagai masukan bersama dengan gambar. Benih menandai setiap benda menjadi tersegmentasi. Daerah-daerah yang tumbuh secara iteratif dengan membandingkan membandingkan semua piksel tetangga yang tidak terisi ke daerah. Selisih antara nilai intensitas pixel dan rata-rata di kawasan ini, \ delta, digunakan sebagai ukuran kesamaan. Pixel dengan perbedaan terkecil diukur dengan cara ini dialokasikan ke daerah masingmasing. Proses ini berlanjut sampai semua piksel yang dialokasikan untuk daerah.
Pertumbuhan wilayah unggulan membutuhkan biji sebagai masukan tambahan. Hasil segmentasi tergantung pada pilihan benih. Kebisingan dalam gambar dapat menyebabkan
benih yang akan ditempatkan buruk. Wilayah diunggulkan tumbuh adalah algoritma dimodifikasi yang tidak memerlukan bibit eksplisit. Ini dimulai dengan satu wilayah a_1 pixel yang dipilih di sini tidak berpengaruh signifikan terhadap segmentasi akhir. Pada setiap iterasi dianggap pixel tetangga dengan cara yang sama sebagai daerah unggulan tumbuh. Ini berbeda dari daerah unggulan tumbuh dalam bahwa jika minimum \ delta kurang dari T ambang batas yang telah ditetapkan maka akan ditambahkan ke A_j wilayah masing-masing. Jika tidak, maka pixel tersebut dianggap signifikan berbeda dari semua a_i daerah saat ini dan wilayah baru A_ {n +1} dibuat dengan pixel ini.
Salah satu varian dari teknik ini, diusulkan oleh Haralick dan Shapiro (1985), [1] [ 1] didasarkan pada intensitas piksel. Mean dan menyebarkan wilayah dan intensitas pixel kandidat digunakan untuk menghitung statistik uji. Jika statistik uji cukup kecil, pixel ditambahkan ke wilayah tersebut, dan rata-rata di kawasan ini dan menyebarkan sedang menghitung menghitung ulang. Jika tidak, pixel ditolak, dan digunakan untuk membentuk wilayah baru.
Sebuah metode wilayah tumbuh-khusus ini disebut \ lambda yang terhubung segmentasi (lihat juga lambda-keterhubungan). Hal ini didasarkan pada intensitas piksel dan lingkunganmenghubungkan menghubungkan jalan. Gelar konektivitas (keterhubungan) akan dihitung berdasarkan jalan yang dibentuk oleh pixel. Untuk nilai tertentu \ lambda, dua piksel disebut \ lambdaconnected jika ada jalur yang menghubungkan dua piksel dan keterkaitan jalan ini setidaknya \ lambda. \ Lambda-keterhubunga Lambda-keterhubungan n adalah relasi setara. setara. [7]
