„Számítógépes látórendszerek - Ellenőrző kérdések: Szegmentálás” változatai közötti eltérés

A VIK Wikiből
Ugrás a navigációhoz Ugrás a kereséshez
(Új oldal, tartalma: „{{Vissza|Számítógépes látórendszerek}}”)
 
 
(12 közbenső módosítás, amit 3 másik szerkesztő végzett, nincs mutatva)
1. sor: 1. sor:
 
{{Vissza|Számítógépes látórendszerek}}
 
{{Vissza|Számítógépes látórendszerek}}
 +
== Mit jelent a szegmentálás? Mikor van rá szükség? Mik a főbb nehézségei?<br/>Mit jelent a szegmentálás során az idő-konzisztencia?<br/>A Szegmentálás paraméterterében milyen összetevőket alkalmazhatunk? ==
 +
=== Szegmentálás ===
 +
Azonos tulajdonságú pixelek homogén régiókba történő csoportosítása.
 +
[http://www.inf.u-szeged.hu/~kato/teaching/segmentation/01_segmentation.pdf Forrás]
 +
 +
=== Szükséges/Felhasználás ===
 +
*Felületleírás
 +
*Sztereó látás (élek megfeleltetése => 3Drekonstrukció)
 +
*Alakfelismerés
 +
*Képi adatbázis indexelése, keresés
 +
=== Nehézségek ===
 +
* színhasonlóság
 +
* mozgás (elmosódott élek)
 +
* defókuszáltság
 +
* hasonló textúrák
 +
 +
==Sorolja fel a fontosabb szegmentálási módszereket. Pár szóban mutassa be őket.==
 +
* Küszöbözés, hisztogram alapú
 +
* Éldetektálás alapú
 +
* '''Klaszterezés''':
 +
**színcsatornák
 +
**térbeli eloszlás
 +
**időbeli eloszlás
 +
* Régiónövelés
 +
* Tömörítés-alapú módszerek
 +
* Paraméteres megoldások, görbeillesztés
 +
* Modell alapú
 +
* Tanuló rendszerek
 +
 +
==Ismertesse a K-Means és a Mean Shift algoritmusokat. Milyen előnyeik és hátrányaik vannak? Mikor használjuk őket?==
 +
===K-Means===
 +
*Kiindulás
 +
**Klaszterek száma (K)
 +
**Kiindulási klaszterközéppontok (magok)
 +
*Iteráció
 +
#Pontokat a legközelebbi maghoz rendelni
 +
#Új klaszterközéppontok (átlag) számítása
 +
#Ismétlés, amíg „nagy” a változás
 +
*Előny
 +
**Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség
 +
 +
=== Mean Shift ===
 +
*Kiindulás
 +
**Kernel típusa (Fiat, Gauss...)
 +
**Kernel mérete
 +
*Iteráció
 +
#Pontot a kernelen belüli pontok átlagához tolni
 +
#Ismétlés, amíg „nagy” a változás
 +
*Előny
 +
**Nem kell a szegmensek számát megadni induláskor, megától talál
 +
*Hátrány
 +
**Lassabb
 +
 +
== Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket. ==
 +
Kiinduláskor a pixelek egyenként külön halmazokat alkotnak. Összehasonlítjuk őket a szomszédaikkal, hasonlóság esetén összevonjuk a halmazokat [?]. Hasonlóság lehet:
 +
* Kiválasztott (szín)csatornák
 +
* Defókuszáltság
 +
* Mélység (Mélységi képen)
 +
 +
=== SRM (Statisztikus régiónövelés) ===
 +
Gráf súlyozás a kül. alapján.
 +
 +
=== Split & Merge ===
 +
*Szétválasztás csak hasonló (belül) elemekre
 +
*Hasonlóság alapján egyesítés

A lap jelenlegi, 2016. június 5., 23:25-kori változata

← Vissza az előző oldalra – Számítógépes látórendszerek

Mit jelent a szegmentálás? Mikor van rá szükség? Mik a főbb nehézségei?
Mit jelent a szegmentálás során az idő-konzisztencia?
A Szegmentálás paraméterterében milyen összetevőket alkalmazhatunk?

Szegmentálás

Azonos tulajdonságú pixelek homogén régiókba történő csoportosítása. Forrás

Szükséges/Felhasználás

  • Felületleírás
  • Sztereó látás (élek megfeleltetése => 3Drekonstrukció)
  • Alakfelismerés
  • Képi adatbázis indexelése, keresés

Nehézségek

  • színhasonlóság
  • mozgás (elmosódott élek)
  • defókuszáltság
  • hasonló textúrák

Sorolja fel a fontosabb szegmentálási módszereket. Pár szóban mutassa be őket.

  • Küszöbözés, hisztogram alapú
  • Éldetektálás alapú
  • Klaszterezés:
    • színcsatornák
    • térbeli eloszlás
    • időbeli eloszlás
  • Régiónövelés
  • Tömörítés-alapú módszerek
  • Paraméteres megoldások, görbeillesztés
  • Modell alapú
  • Tanuló rendszerek

Ismertesse a K-Means és a Mean Shift algoritmusokat. Milyen előnyeik és hátrányaik vannak? Mikor használjuk őket?

K-Means

  • Kiindulás
    • Klaszterek száma (K)
    • Kiindulási klaszterközéppontok (magok)
  • Iteráció
  1. Pontokat a legközelebbi maghoz rendelni
  2. Új klaszterközéppontok (átlag) számítása
  3. Ismétlés, amíg „nagy” a változás
  • Előny
    • Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség

Mean Shift

  • Kiindulás
    • Kernel típusa (Fiat, Gauss...)
    • Kernel mérete
  • Iteráció
  1. Pontot a kernelen belüli pontok átlagához tolni
  2. Ismétlés, amíg „nagy” a változás
  • Előny
    • Nem kell a szegmensek számát megadni induláskor, megától talál
  • Hátrány
    • Lassabb

Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket.

Kiinduláskor a pixelek egyenként külön halmazokat alkotnak. Összehasonlítjuk őket a szomszédaikkal, hasonlóság esetén összevonjuk a halmazokat [?]. Hasonlóság lehet:

  • Kiválasztott (szín)csatornák
  • Defókuszáltság
  • Mélység (Mélységi képen)

SRM (Statisztikus régiónövelés)

Gráf súlyozás a kül. alapján.

Split & Merge

  • Szétválasztás csak hasonló (belül) elemekre
  • Hasonlóság alapján egyesítés
A lap eredeti címe: „https://wiki.sch.bme.hu/index.php?title=Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Szegmentálás&oldid=189701”