ریاضیات

تقسیم بندی نیمه اتوماتیک [ ویرایش ]

در یک نوع تقسیم بندی ، کاربر با کلیک ماوس منطقه مورد نظر خود را ترسیم می کند و الگوریتم ها اعمال می شوند تا مسیری که به بهترین وجهی متناسب با لبه تصویر است نشان داده شود.

در این نوع تقسیم بندی از تکنیک هایی مانند SIOX ، Livewire ، Smart Scissors یا IT-SNAPS استفاده می شود. در یک نوع جایگزین تقسیم بندی نیمه اتوماتیک ، الگوریتم ها یک تاکسون فضایی را برمی گردانند (به عنوان مثال پیش زمینه ، گروه اشیا ، شی یا قسمت شی) که توسط کاربر انتخاب شده یا از طریق احتمالات قبلی تعیین شده است. [69] [70]

تقسیم بندی قابل آموزش [ ویرایش ]

بیشتر روشهای تقسیم بندی فوق الذکر فقط براساس اطلاعات رنگی پیکسلهای تصویر است. انسانها هنگام انجام تقسیم بندی تصویر از دانش بیشتری استفاده می کنند ، اما اجرای این دانش مهندسی انسانی و زمان محاسباتی قابل توجهی را می طلبد و به یک پایگاه داده دانش دامنه عظیم نیاز دارد که در حال حاضر وجود ندارد. روش های تقسیم بندی قابل آموزش ، مانند تقسیم بندی شبکه عصبی ، با مدل سازی دانش دامنه از مجموعه داده ای از پیکسل های دارای برچسب ، بر این مسائل غلبه می کنند.

یک شبکه عصبی تقسیم تصویر می تواند مناطق کوچکی از تصویر را پردازش کند تا ویژگی های ساده مانند لبه ها را استخراج کند. [71] سپس یک شبکه عصبی دیگر یا هر مکانیسم تصمیم گیری ، می تواند این ویژگی ها را ترکیب کرده و بر اساس آن مناطق یک تصویر را برچسب گذاری کند. نوعی شبکه که به این روش طراحی شده نقشه Kohonen است .

شبکه های عصبی همراه با پالس (PCNN) مدل های عصبی هستند که با مدل سازی قشر بینایی گربه ارائه شده و برای پردازش تصویر بیومتیمیک با عملکرد بالا تولید شده اند . در سال 1989 ، راینهارد اکهورن یک مدل عصبی را برای شبیه سازی مکانیسم قشر بینایی گربه معرفی کرد. مدل Eckhorn ابزاری ساده و م effectiveثر برای مطالعه قشر بینایی پستانداران کوچک فراهم کرد و خیلی زود به عنوان پتانسیل کاربرد قابل توجهی در پردازش تصویر شناخته شد. در سال 1994 ، مدل اکهورن به عنوان یک الگوریتم پردازش تصویر توسط جان ال جانسون ، که این الگوریتم را شبکه عصبی پالس همراه می کند ، سازگار شد. [72]در طول دهه گذشته ، PCNN ها برای کاربردهای مختلف پردازش تصویر از جمله: تقسیم بندی تصویر ، تولید ویژگی ها ، استخراج صورت ، تشخیص حرکت ، رشد منطقه ، کاهش نویز و غیره مورد استفاده قرار گرفته اند. PCNN یک شبکه عصبی دو بعدی است. هر نورون در شبکه مربوط به یک پیکسل در یک تصویر ورودی است ، و اطلاعات رنگ پیکسل مربوطه (به عنوان مثال شدت) را به عنوان یک محرک خارجی دریافت می کند. هر نورون همچنین با نورون های همسایه خود متصل می شود و محرکهای محلی را از آنها دریافت می کند. محرک های خارجی و محلی در یک سیستم فعال سازی داخلی ترکیب می شوند ، که محرک ها را تا زمانی که از آستانه دینامیکی فراتر نرود و در نتیجه یک خروجی پالس ایجاد می کند ، جمع می کند. از طریق محاسبه تکرار شونده ، سلول های عصبی PCNN سری زمانی خروجی پالس تولید می کنند. سری زمانی خروجی های پالس حاوی اطلاعات تصاویر ورودی است و می تواند برای برنامه های مختلف پردازش تصویر مانند تقسیم بندی تصویر و تولید ویژگی مورد استفاده قرار گیرد. در مقایسه با ابزارهای معمولی پردازش تصویر ، PCNN دارای چندین شایستگی قابل توجه است ، از جمله مقاومت در برابر نویز ، استقلال تغییرات هندسی در الگوهای ورودی ، قابلیت پل زدن تغییرات شدت جزئی در الگوهای ورودی و غیره.

U-Net یک شبکه عصبی کانولوشن است که به عنوان ورودی یک تصویر گرفته و برای هر پیکسل یک برچسب تولید می کند. [73] U-Net در ابتدا برای شناسایی مرزهای سلول در تصاویر زیست پزشکی ساخته شد. U-Net از خود رمزگذار کلاسیک پیروی می کندمعماری ، به این ترتیب شامل دو زیر ساختار است. ساختار رمزگذار از پشته سنتی لایه های همبستگی و حداکثر تجمع پیروی می کند تا با عبور از بین لایه ها ، زمینه دریافت را کاهش دهد. این برای ضبط متن در تصویر استفاده می شود. ساختار رسیور از لایه های کانولوشن جابجا شده برای نمونه برداری استفاده می کند تا ابعاد انتهایی آن نزدیک به تصویر ورودی باشد. اتصالات پرش بین لایه های کانولوشن و کانولوشن جا به جا شده با همان شکل قرار می گیرند تا جزئیاتی که در غیر این صورت از بین می رفتند ، حفظ شوند.

علاوه بر وظایف تقسیم معنایی در سطح پیکسل که به هر پیکسل ، یک طبقه بندی مشخص داده می شود ، برنامه های تقسیم بندی مدرن شامل وظایف تقسیم معنایی سطح نمونه هستند که در آن هر فرد در یک گروه خاص باید به طور منحصر به فرد مشخص شود و همچنین وظایف تقسیم بندی پانوپتیک که این موارد را ترکیب می کند. دو وظیفه برای تقسیم بندی صحنه کامل تر. [74]

تقسیم بندی تصاویر و فیلم های مرتبط [ ویرایش ]

مقاله اصلی: تقسیم مشترک شی

تصاویر مرتبط مانند آلبوم عکس یا دنباله ای از فریم های ویدئویی غالباً حاوی اشیا scenes و صحنه هایی از نظر معنایی مشابه هستند ، بنابراین استفاده از این همبستگی ها اغلب سودمند است. [75] وظیفه تقسیم همزمان صحنه ها از تصاویر یا فریم های ویدیویی مرتبط ، تقسیم بندی مشترک نامیده می شود ، [11] که به طور معمول در محلی سازی کنش انسان استفاده می شود . برخلاف تشخیص شی object مبتنی بر جعبه مرزی مرسوم ، روش های محلی سازی عمل انسان نتایج ریزتری را ارائه می دهد ، به طور معمول ماسک تقسیم بندی برای هر تصویر ، مشخص کننده موضوع مورد علاقه انسان و گروه عملکرد آن است (به عنوان مثال ، لوله-بخش [12] ). تکنیک هایی مانند پویاشبکه های مارکوف ، CNN و LSTM اغلب برای بهره برداری از روابط بین قاب استفاده می شوند.

روشهای دیگر [ ویرایش ]

روش های تقسیم بندی بسیاری دیگر وجود دارد مانند تقسیم بندی چند طیفی یا تقسیم بندی مبتنی بر اتصال بر اساس تصاویر DTI . [76] [77]

معیار تقسیم بندی [ ویرایش ]

چندین معیار تقسیم بندی برای مقایسه عملکرد روش تقسیم بندی با روش های تقسیم پیشرفته در مجموعه های استاندارد در دسترس است:

• معیار تقسیم بندی بافت آنلاین پراگ [78]
• مجموعه داده ها و معیارهای تقسیم بندی برکلی [79]

همچنین به [ ویرایش ] مراجعه کنید

• تقسیم مشترک شی
• دید رایانه ای
• مش مبتنی بر تصویر
• تقسیم بندی تصویر محدوده
• کمی سازی بردار
• کمی سازی تصویر
• کمی سازی رنگ
• تجزیه و تحلیل تصویر مبتنی بر شی
• لیست ابزارهای حاشیه نویسی تصویر دستی

منبع

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