ریاضیات

تحول آبخیزداری [ ویرایش ]

تحول حوضه قدر شیب از یک تصویر به عنوان یک سطح توپوگرافی نظر می گیرد. پیکسل هایی که بیشترین شدت گرادیان را دارند (GMI) مربوط به خطوط حوزه آبخیز است که مرزهای منطقه را نشان می دهد. آبی که روی هر پیکسل محصور در یک خط مشترک حوزه قرار می گیرد ، در سراشیبی به حداقل شدت محلی (LIM) می رود. پیکسل های تخلیه شده به حداقل حداقل یک حوضه صید تشکیل می دهند ، که نشان دهنده یک بخش است. .

تقسیم بندی مبتنی بر مدل [ ویرایش ]

فرض اصلی رویکردهای مبتنی بر مدل این است که ساختارهای مورد نظر تمایل به شکل خاصی دارند. بنابراین ، می توان به دنبال مدلی احتمالی بود که شکل و تنوع آن را مشخص کند. هنگام تقسیم بندی تصویر ، می توان محدودیت ها را با استفاده از این مدل به صورت قبلی اعمال کرد. [53] چنین وظیفه ای ممکن است شامل (i) ثبت نمونه های آموزشی در یک حالت مشترک ، (2) نمایش احتمالی تغییر نمونه های ثبت شده و (3) استنباط آماری بین مدل و تصویر باشد. سایر روشهای مهم در ادبیات برای تقسیم بندی مبتنی بر مدل ، شامل مدلهای شکل فعال و مدلهای ظاهری فعال است .

تقسیم بندی چند مقیاس [ ویرایش ]

تقسیم بندی تصویر در مقیاس های مختلف در فضای مقیاس محاسبه می شود و گاهی اوقات از مقیاس های درشت تا ریز انتشار می یابد. تقسیم بندی مقیاس-فضا را ببینید .

معیارهای تقسیم بندی می توانند خودسرانه پیچیده باشند و ممکن است معیارهای جهانی و همچنین محلی را در نظر بگیرند. یک نیاز مشترک این است که هر منطقه باید به یک معنا به هم متصل شود.

تقسیم سیگنال سلسله مراتبی یک بعدی [ ویرایش ]

کار اصلی ویتکین [54] [55] در فضای مقیاس شامل این مفهوم است که می توان یک سیگنال تک بعدی را بدون ابهام به مناطق تقسیم کرد ، با یک پارامتر مقیاس مقیاس تقسیم بندی را کنترل کرد.

یک مشاهده کلیدی این است که عبور صفر از مشتقات دوم (حداقل و حداکثر مشتق اول یا شیب) نسخه های صاف شده چند مقیاس از یک سیگنال یک درخت لانه را تشکیل می دهد ، که روابط سلسله مراتبی بین بخش ها را در مقیاس های مختلف تعریف می کند. به طور خاص ، موارد اضافی شیب در مقیاس های درشت را می توان به ویژگی های مربوطه در مقیاس های خوب ردیابی کرد. هنگامی که حداکثر شیب و حداقل شیب یکدیگر را در مقیاس بزرگتر نابود می کنند ، سه بخش جدا شده در یک بخش ادغام می شوند ، بنابراین سلسله مراتب بخش ها مشخص می شوند.

تقسیم تصویر و طرح اولیه [ ویرایش ]

کارهای تحقیقاتی بی شماری در این زمینه انجام شده است که اکنون تعداد معدودی از آنها به حالتی رسیده اند که می توان آنها را با مداخلات دستی تعاملی (معمولاً با کاربرد در تصویربرداری پزشکی) یا به صورت کاملاً خودکار اعمال کرد. در زیر مروری کوتاه بر برخی از ایده های اصلی تحقیق است که رویکردهای فعلی بر اساس آنها استوار است.

ساختار لانه ای که ویتکین توصیف کرد ، برای سیگنالهای یک بعدی خاص است و به صورت پیش فرض به تصاویر با ابعاد بالاتر منتقل نمی شود. با این وجود ، این ایده کلی چندین نویسنده دیگر را به تحقیق در مورد طرح های درشت تا ریز تقسیم بندی تصویر تحریک کرده است. کوئندینک [56] پیشنهاد کرد که چگونگی تکامل کانتورهای ایزو شدت در مقیاس ها را بررسی کند و این روش با جزئیات بیشتر توسط لیفشیز و پایزر بررسی شد. [57] متأسفانه ، شدت ویژگی های تصویر نسبت به مقیاس ها تغییر می کند ، این بدان معناست که ردیابی ویژگی های تصویر در مقیاس درشت به مقیاس دقیق تر با استفاده از اطلاعات شدت شدت سخت است.

لیندبرگ [58] [59] مسئله پیوند دادن نقاط افراطی موضعی و زین را روی مقیاس ها مطالعه كرد و نمایش تصویری به نام طرح اولیه مقیاس-فضا را ارائه داد كه روابط بین سازه ها را در مقیاس های مختلف صریح می كند و همچنین مشخص می كند كه كدام ویژگی های تصویر را دارد. در طیف وسیعی از مقیاس از جمله مقیاس های محلی مناسب برای آن ها پایدار هستند. Bergholm پیشنهاد کرد که لبه ها را در مقیاس های درشت در فضای مقیاس شناسایی کرده و سپس آنها را با مقیاس ریزتر با انتخاب دستی مقیاس تشخیص درشت و مقیاس محلی سازی ردیابی کنید.

گاوچ و پیزر [60] مسئله مکمل پشته ها و دره ها را در مقیاس های مختلف بررسی کردند و ابزاری را برای تقسیم تصویر تعاملی بر اساس حوزه های آبخیز چند مقیاس توسعه دادند. استفاده از حوضه آبخیز چند منظوره با کاربرد روی نقشه شیب نیز توسط اولسن و نیلسن [61] بررسی شده و توسط دام به استفاده بالینی منتقل شده است. [62] وینکن و همکاران [63] برای تعریف روابط احتمالی بین ساختارهای تصویر در مقیاس های مختلف ، یک هایپر استک پیشنهاد کرد. اهوجا [64] [65] استفاده از ساختارهای تصویر پایدار را در مقیاس افزایش داده است.و همکارانش در یک سیستم کاملاً خودکار. الگوریتم تقسیم مغز کاملاً خودکار مبتنی بر ایده های نزدیک مرتبط حوزه های آبخیز چند مقیاس توسط Undeman و Lindeberg [66] ارائه شده است و به طور گسترده در پایگاه داده های مغز آزمایش شده است.

این ایده ها برای تقسیم بندی تصویر در مقیاس چندگانه با پیوند دادن ساختارهای تصویر در مقیاس ها نیز توسط Florack و Kuijper انتخاب شده است. [67] بیاژویی و روئه [68] ساختارهای وابسته را در فضای مقیاس بالاتر از حداقل آستانه سر و صدا در یک درخت جسم شناسایی می کنند که مقیاس های مختلفی را در بر می گیرد و مربوط به نوعی ویژگی در سیگنال اصلی است. ویژگی های استخراج شده با استفاده از روش ماتریس گرادیان مزدوج تکراری با دقت بازسازی می شوند.

منبع

https://en.wikipedia.org/wiki/Image_segmentation