Методы сегментации изображений

Сфера компьютерного зрения использует такой ресурс, как сегментация. Она представляет собой последовательность действий, приводящую к разделению цифрового изображения на определенное количество составляющих (множество пикселей, также называемых суперпикселями).

Процедуру проводят с определенной целью. Она позволяет добиться упрощения и/или изменения представления изображения, и тогда возможности его анализа расширяются.

Посредством сегментации выделяются объекты и границы (линии, кривые, и прочее), разделяющие изображения. Если говорить точнее, она представляет собой присвоение таких меток большинству пикселей изображения. В итоге становится ясно, есть ли у пикселей с одинаковыми метками единые визуальные характеристики.

В итоге, процесс определяет множество сегментов, в одном целом покрывающие все изображение, или набор контуров, составляющих изображение. У каждого пикселя сегмента есть нечто общее с другими – это касается характеристики или вычисленного свойства, например:

• •    цвета,

• •    яркости,

• •    текстуры.

Окружающие элементы имеют существенные отличия в рамках данной характеристики.

Существуют немало вариантов сегментации изображений. Итог часто выявляется точностью сегментации, что объясняет, почему при выборе какого-либо метода сегментации проверяют надежность алгоритма. При этом, до сих пор не найден единый, общепризнанный подход, который подошел бы в качестве основы большинства алгоритмов. Не выявлено и самого алгоритма, позволяющего проводить приемлемую сегментацию в отношении любого изображения. Это – основная сложность рассматриваемого процесса. Специалисты привычно используют несколько подходов, объясняя приемлемость каждого из них.

Очевидна актуальность этой предметной области, но, при этом, было написано сравнительно мало трудов, в которых рассматривались бы в гармонии и теоретические основы, и программные аспекты поиска ответов на основные вопросы сегментации изображений.

Существует, в частности, приемлемый набор методов цифровой обработки изображений. Среди них выделяется их сегментация, с возможностью реализации программы для одного из методов, с применением пакета прикладных программ – таких, как MatLAB. Можно упомянуть некоторые другие приемлемые варианты.

Методы, основанные на кластеризации k-средних — это итеративный ресурс. Он позволяет делить изображения на K кластеры.

Расстоянием обычно выступает сумма квадратов или абсолютных значений разностей, которые отличают пиксели и центры кластера. Чаще всего разность базируется на указанных выше показателях.

Методы с использованием гистограммы дают хороший результат. Здесь достаточно одного подхода, с поиском кластеров посредством минимумов и максимумов. Чтобы получить улучшения, метод регулярно применяют к кластерам на изображении, деля их на более мелкие кластеры. Процедура возобновляется, пока новые кластеры не перестают появляться.

Выделение краев отличается своей высокой изученностью. Границы и края областей обладают сильной взаимосвязью, а на границах замечается существенный перепад яркости. Но данный метод лег в основу другого метода сегментации. Часто выделенные края оказываются разорванными.

На методе разрастания из семян построены методы разрастания областей. Так выделяются обрабатываемые объекты.

Сегментация хорошо достигается методом разреза графа. Изображения выделяются в виде взвешенных неориентированных граф.

Водораздел – метод, при котором используют абсолютную величину градиента. Вода от минимума стекается с пикселей.

Сегментация с помощью модели позволяет процесс, приводящий к выявлению имеющихся органов. В разных масштабах выполняется многомасштабная сегментация, с последовательностью от мелких масштабов к крупным.

Специалист получил возможность выбрать наиболее подходящий вариант. Тогда он не только обрабатывает изображение, но и улучшает его. Разница между сегментами позволяет прийти к общей систематизации, при которой уже можно получить цельную картину с необходимой степенью качества. Для компьютерной работы такой подход очень существенен.