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

A VIK Wikiből
Ugrás a navigációhoz Ugrás a kereséshez
 
(3 közbenső módosítás, amit 2 másik szerkesztő végzett, nincs mutatva)
38. sor: 38. sor:
 
#Új klaszterközéppontok (átlag) számítása
 
#Új klaszterközéppontok (átlag) számítása
 
#Ismétlés, amíg „nagy” a változás
 
#Ismétlés, amíg „nagy” a változás
 +
*Előny
 +
**Gyorsabb, de a kezdeti középpontok megadására érzékeny a sebesség
 +
 
=== Mean Shift ===
 
=== Mean Shift ===
 
*Kiindulás
 
*Kiindulás
45. sor: 48. sor:
 
#Pontot a kernelen belüli pontok átlagához tolni
 
#Pontot a kernelen belüli pontok átlagához tolni
 
#Ismétlés, amíg „nagy” a változás
 
#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. ==
 
== Milyen régiónövelő eljárásokat ismerünk. Pár szóban mutassa be őket. ==
53. sor: 60. sor:
  
 
=== SRM (Statisztikus régiónövelés) ===
 
=== SRM (Statisztikus régiónövelés) ===
−
[TODO]
+
Gráf súlyozás a kül. alapján.
  
 
=== Split & Merge ===
 
=== Split & Merge ===
−
[TODO]
+
*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”