La Segmentation d'images à l'aide du Décalage expliqué
Quelqu'un pourrait s'il vous plaît aidez-moi à comprendre comment un Décalage Moyen de segmentation fonctionne réellement?
Ici est une matrice 8x8 que je viens de faire jusqu'
103 103 103 103 103 103 106 104
103 147 147 153 147 156 153 104
107 153 153 153 153 153 153 107
103 153 147 96 98 153 153 104
107 156 153 97 96 147 153 107
103 153 153 147 156 153 153 101
103 156 153 147 147 153 153 104
103 103 107 104 103 106 103 107
À l'aide de la matrice ci-dessus est-il possible d'expliquer comment un Décalage Moyen de segmentation serait de séparer les 3 différents niveaux de chiffres?
- Les trois niveaux? Je vois environ 100 et environ 150.
- Bien que ses un segmenation je pensais que les chiffres dans le milieu serait loin du bord de nombres pour être inclus dans cette section de la frontière. C'est pourquoi j'ai dit 3. Je peux me tromper comme je n'ai pas vraiment de comprendre comment ce type de segmenation œuvres.
- Oh ... nous sommes peut-être en prenant des niveaux de signifier des choses différentes. Du tout bon. 🙂
- J'aime la accepté de répondre, mais je ne pense pas qu'il a montrer l'image entière. IMO ce pdf explique le décalage de la valeur moyenne de la segmentation mieux (à l'aide d'une dimension supérieure de l'espace dans l'exemple est mieux que de la 2d, je pense). eecs.umich.edu/vision/teaching/EECS442_2012/lectures/...
Vous devez vous connecter pour publier un commentaire.
d'abord Les bases:
Le Décalage de la valeur Moyenne de la segmentation est une homogénéisation de la technique qui est très utile pour l'amortissement de l'ombrage ou de la tonalité des différences dans les objets localisés.
Un exemple vaut mieux que beaucoup de mots:
Action:remplace chaque pixel par la moyenne des pixels dans une plage de-r de quartier et dont la valeur est à l'intérieur d'une distance d.
Le Décalage de la valeur Moyenne dure habituellement de 3 entrées:
Distance est un autre choix utile parfois.
Veuillez noter que l'algorithme n'est pas bien défini à l'intérieur des frontières, de sorte que les différentes implémentations de vous donner des résultats différents, il.
Je ne vais PAS discuter de la sanglante mathématique de détails ici, car il est impossible de les montrer sans notation mathématique, ne sont pas disponibles dans StackOverflow, et aussi parce qu'ils peuvent être trouvés de bonnes sources ailleurs.
Regardons le centre de votre matrice:
Avec des choix raisonnables pour le rayon et la distance, les quatre centre de pixels obtenez la valeur de 97 (leur moyenne) et sera différent de la pixels adjacents.
Nous allons calculer dans Mathematica. Au lieu de montrer la réalité des chiffres, nous allons afficher un code de couleur, de sorte qu'il est plus facile de comprendre ce qui se passe:
Le codage de la couleur de votre matrice est:
Puis nous prenons un raisonnable de Décalage:
Et nous obtenons:
Où tous les centrer les éléments sont égaux (à 97, BTW).
Vous pouvez itérer plusieurs fois avec un Décalage Moyen, en essayant d'obtenir une coloration homogène. Après quelques itérations, vous arrivez à un stable non-isotrope de configuration:
À ce moment, il devrait être clair que vous ne pouvez pas sélectionner le nombre de "couleurs", vous obtenez après l'application de Décalage. Donc, nous allons montrer comment le faire, parce que c'est la deuxième partie de votre question.
Ce dont vous avez besoin pour être en mesure de définir le nombre de sortie des grappes à l'avance est quelque chose comme Kmeans de clustering.
Il fonctionne de cette façon pour votre matrice:
Ou:
Qui est très similaire à nos résultats précédents, mais comme vous pouvez le voir, maintenant, nous n'avons que trois niveaux de sortie.
HTH!
Un Moyen de Décalage de la segmentation fonctionne quelque chose comme ceci:
Les données de l'image est convertie en fonction de l'espace
Dans votre cas, tout ce que vous avez sont les valeurs d'intensité, de sorte que l'espace de la fonctionnalité ne seront qu'une seule dimension. (Vous pouvez calculer certaines caractéristiques de texture, par exemple, et puis votre espace de fonction serait de deux dimensions – et vous seriez segmentation basée sur l'intensité et texture)
Fenêtres de recherche sont réparties sur la fonctionnalité de l'espace
Le nombre de fenêtres, la taille de la fenêtre, et les emplacements initiaux sont arbitraires pour cet exemple – quelque chose qui peut être affiné en fonction des applications spécifiques
Mean-Shift itérations:
1.) Les Moyens des échantillons de données à l'intérieur de chaque fenêtre sont calculées
2.) Les fenêtres sont Décalés vers l'emplacement correspondant à leur précédemment calculés signifie
Étapes 1.) et 2.) sont répétées jusqu'à la convergence, c'est à dire toutes les fenêtres sont installées sur les lieux définitifs
Les fenêtres qui se retrouvent sur les mêmes emplacements sont regroupées
Les données sont regroupés en fonction de la fenêtre traversals
... par exemple toutes les données qui ont été parcourus par windows qui a fini par, disons, à la position “2”, va former un cluster associé à cet emplacement.
Donc, cette segmentation va (coïncidence) produire des trois groupes. La visualisation de ces groupes à l'origine, le format d'image devrait ressembler à quelque chose comme la dernière photo de bélisaire réponse. Le choix de différentes tailles de fenêtre et emplacements initiaux peuvent produire des résultats différents.