Casa > notizia > Contenuto
Categorie di prodotti

Contattaci

Aggiungi: Block 5, Fuqiang Technology Park, Zhugushi Road, Wulian, Longgang 518116

Mob: + 86-13510459036

E-mail: info@panadisplay.com

Revisione sugli algoritmi di segmentazione Superpixel
Nov 17, 2017

1. Metodo di segmentazione dei pixel eccellenti basato sulla teoria dei grafi

La segmentazione dell'immagine basata sulla teoria dei grafi è un metodo di segmentazione globale top-down, l'idea principale è quella di dividere l'intera immagine come un grafo orientato ponderato, un grafico corrispondente a ciascun pixel nel nodo immagine, il grafico della relazione adiacente pixel corrispondenti tra il pixel del bordo differenze tra le caratteristiche dei pesi corrispondenti o simili sul lato, e quindi nella mappa basata su vari criteri di segmentazione per dividere i nodi nel grafico, e quindi completare la segmentazione dell'immagine.

1.1 Metodo basato sui grafici

1.2 Metodo Ncut

1.3 Metodo reticolo Superpixel

Per alcuni degli attuali algoritmi di segmentazione dei super pixel, il difetto dell'immagine originale manca di informazioni importanti sulla topologia, Moorer e altri hanno proposto un algoritmo di segmentazione senza supervisione del reticolo superpixel questo metodo descrive un algoritmo avido in grado di mantenere la topologia dell'immagine, sebbene l'aumento di vincoli di informazione topologica, ma è in velocità mantenere l'input e la precisione delle prestazioni di segmentazione dell'algoritmo di reticolo Superpixel è una buona immagine della mappa di confine, per cercare il percorso di peso minimo attraverso l'immagine, al confine della segmentazione dell'immagine del grafico a costo minimo con due direzioni nel percorso ottimale di ricerca orizzontale e verticale, continuamente l'immagine dalla direzione verticale e orizzontale di due punti per ottenere la griglia di super pixel convenzionale.


Nel grafico,

(a) l'immagine viene segmentata da sinistra a destra dall'alto verso il basso e ciascun percorso è diviso in due parti, quindi è possibile ottenere quattro regioni e il percorso ottimale viene cercato nella striscia preimpostata;

(b) sta aumentando la direzione orizzontale e verticale del percorso, in modo che l'immagine sia divisa in nove regioni

1.png

Sulla strategia di ricerca del percorso ottimale, Moore et al hanno adottato due schemi: il metodo di taglio minimale e il metodo di programmazione dinamica, il primo genera percorsi topologici arbitrari e quest'ultimo non produce percorsi di regressione, dove il percorso ottimale deve soddisfare tre condizioni:

A) ogni percorso verticale e orizzontale è attraversato una sola volta;

B) nessuno dei due percorsi verticali non attraversa;

C) eventuali due percorsi orizzontali non sono attraversati.


Sebbene l'algoritmo del reticolo superpixel abbia ottenuto buoni risultati di segmentazione, la sua qualità di segmentazione dipende ancora dalla mappa dei confini dell'immagine e implica implicitamente che l'immagine necessita di due meccanismi per dividere equamente: a) La distribuzione uniforme delle bande di immagine influenza direttamente la distribuzione uniforme del b) La strategia del percorso meno costoso facilita la formazione di percorsi relativamente diritti e brevi sull'immagine. Pertanto, Moore et al. Aggiunta un'informazione a priori all'algoritmo basato sull'algoritmo nel 2009 e proposta una partizione superpixel basata sulla forma della scena priori. Il modello di densità di probabilità viene utilizzato per descrivere la densità spaziale del limite dell'oggetto immagine. Viene adottato un algoritmo di sovra-segmentazione per rendere la densità dei super-pixel approssimativamente uguale e adattarsi al limite target locale.

  

Successivamente, Moore et al. Proposto il metodo del reticolo, è una sorta di segmentazione senza supervisione, utilizzando una scelta di strategia ottimale alternativa, con una singola immagine tagliata alternativamente in direzione orizzontale o verticale per aggiornare il super pixel, considerando il contorno dell'immagine e la regione super pixel della consistenza dell'intero il processo può essere utilizzato per produrre super pixel da Fig. descrive la figura 3,


(a) in primo luogo, l'immagine è divisa in pixel di iper pixel distribuiti uniformemente, e i pixel nello stesso sub-pixel hanno lo stesso tag;


(b) (d) stabilire il modello di campo casuale Markov, aggiornare il limite del superlattice del pixel continuamente alternativamente in metodi orizzontali e verticali, cioè cambiare l'etichetta dei relativi pixel;


(E) (f) viene aggiornato verticalmente o orizzontalmente. Il tag del pixel determina a quale striscia verticale o orizzontale appartiene il pixel.


Il metodo Lattice-cut è superiore all'algoritmo di mesh iper pixel computazionale esistente e le sue prestazioni sono paragonabili ad alcuni algoritmi di segmentazione della mesh senza vincoli di mesh.

2.jpg

1.4 il metodo basato sulla frequenza di entropia