Настройка параметров

Почти у всех описанных методов сегментации есть масса параметров, значения которых для каждой конкретной задачи приходится подбирать эвристически. Одним из подходов к решению этой проблемы является использование машинного обучения. Машинное обучение дает хороший метод избежать большого количества эвристик при выборе параметров алгоритма. Обучаемые методы сегментации – одно из наиболее перспективных на данный момент направлений.

В основе настройки параметров при помощи машинного обучения лежит следующий принцип: сначала производится настройка параметров метода сегментации на некоторой базе отсегментированных вручную изображений, и затем новые изображения сегментируются при помощи уже настроенного метода.

Например, в [20] предлагается метод настройки порога для бинаризации фотографий рукописных текстов. Метод обучается на наборе изображений, для каждого из которых вручную выбраны оптимальные значения порога.

Рис. 13 Изображение рукописного текста, бинаризованное изображение, полученное методом Бернсена и бинаризованное изображение, полученное описанным методом

Во многих работах при помощи машинного обучения настраиваются параметры метрики для графовых методов. В [31, 34] авторы графового метода Normalized Cut предложили вариант Normalized Cut с настраиваемой метрикой.

По набору размеченных фотографий (Berkley Segmentation dataset) составляется обучающая выборка для настройки метрики. В обучающую выборку входят пары точек с известной классификацией. К первому классу относятся пары точек, лежащие в одном регионе, второй класс составляют пары точек, лежащие в разных регионах. Причем, две точки изображения считаются лежащими в одном и том же регионе только, если они оказались в одном и том же регионе во всех вариантах сегментации данного изображения.

Затем, в соответствии с идеологией машинного обучения, задача сегментации изображения формулируется как задача построения классификатора по данной обучающей выборке. Далее для каждой пары точек из обучающей выборки вычисляется вектор признаков. В [31] в качестве признаков используются несколько простых метрик: текстурный градиент, энергия по направлению, градиент яркости, градиент цвета по прямой, соединяющей пару точек. Также используются метрики, учитывающие различия в распределении цвета и текстурных элементов в небольших окрестностях этих точек.

Рис. 14 Результаты работы настроенного метода

Оптимальная метрика строится по обучающей выборке как некоторая функция от простых метрик. В результате экспериментов с разными методами обучения оказалось, что результат практически не зависит от выбора метода [31], и определяется в основном выбором простых метрик.

Такую методику целесообразно использовать в случае, когда известно, что предстоит работать с однотипными изображениями и есть много примеров таких изображений. Чем более похожи между собой изображения, тем лучше можно настроить параметры, и, соответственно, тем лучшие результаты даст обученный метод на новых изображениях.

38. Преобразование водораздела.

http://masters.donntu.edu.ua/2010/fknt/tsibulka/library/article2_r.htm

http://ru.knowledgr.com/04413464/%D0%92%D0%BE%D0%B4%D0%BE%D1%80%D0%B0%D0%B7%D0%B4%D0%B5%D0%BB(%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%D0%98%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F)

Упрощенный алгоритм водораздела

Авторы: Manisha Bhagwat, R. K. Krishna & Vivek Pise

Автор перевода: Цыбулька Е.С.

Источник: International Journal of Computer Science & Communication, Vol. 1, No. 1, January-June 2010, pp. 175-177

Аннотация

Алгоритм водораздела является основным инструментом математической морфологии для сегментации изображений. Тем не менее, полученное изображение часто получается чрезмерно сегментированным на большое число маленьких областей (бассейнов), большинство из которых не являются значимыми при решении проблемы. В этой статье предложен метод, который использует фильтры открытия/закрытия в морфологической реконструкции и в принципе Вебера.
Ключевые слова: математическая морфология, метод водораздела.