Documente Academic
Documente Profesional
Documente Cultură
tehnici de clustering
1. Constantin Vertan, Tehnici fundamentale de prelucrarea i analiza imaginilor
2. Yu-Hsiang Wang, Tutorial: Image Segmentation
Fig. a) imagine original; b) filtrat prin mediere local; c) reprezentarea pixelilor din imagine n
spaiul caracteristicilor (coordonate: nivel de gri, nivel de gri mediu din vecintate).
10
11
12
13
14
Exemplu:
Median Cut Color Quantization Algorithm
15
16
17
18
19
20
The concept of the JSEG algorithm is to separate the segmentation process into
two portions, color quantization and spatial segmentation. The color quantization
quantizes colors in image into several representative classes that can differentiate
re-gions in the image. The process of quantization is implemented in the color
space without considering the spatial distribution of the colors. The corresponding
color class labels replace the original pixel values and then create a class-map of
the image. The CIE LUV color space is used for the color space in JSEG. In
second portion, spatial segmentation executes on the class-map instead of
regarding the corresponding pixel color similarity. The benefit of this separation is
that respectively analyzing the similarity of the colors and their distribution is more
tractable than complete them at the same time.
21
Sau
=
ST
=
SW
zi m
i =1
=
Si
=j 1
=j 1 z i C j
zi m j
=
J
ST SW
S
= T 1
SW
SW
de astfel de clase este prezentat n Fig. 4a, pentru care J = 0 . Dac imaginea
conine mai multe regiuni colorate omogen, i clasele de culoare sunt separate
unele de altele, valoarea corespunztoare lui J este mare (cazul din Fig. 4c unde
J = 1.720 ). Exist i alte cazuri, ca cel din Fig. 4b, care semnific o distribuie mai
omogen dect cazul din Fig. 4a.
Obs. - J este mare pentru clase bine separate spaial
- J este mic pentru clase ntreptrunse (modele, texturi, )
1
N
M k Jk
k
Unde J k este valoarea lui J pentru regiunea k , M k este numrul de pixeli din
regiunea k , N este numrul total de pixeli.
23
Obs. Pentru un numr fixat de regiuni, cea mai bun segmentare are cea mai mic
valoare pentru J . O valoare mic pentru J nseamn c fiecare regiune
segmentat conine cteva etichete de clas de culoare uniform distribuite. n fig. 5
sunt date dou exemple de hri de clase segmentate.
24
Algoritmul JSEG
Corespunztor caracteristicilor valorilor lui J , o metod modificat de cretere a
regiunilor poate fi aplicat la segmentarea unei imagini. Algoritmul ncepe
segmentarea la scara cea mai mare. Apoi se repet acelai proces pe noile regiuni
segmentate la urmtoarea scal mai mic. Dup segmentarea final la cea mai mic
scal, urmeaz operaia de unificare a regiunilor (vezi diagrama JSEG).
25
26
27
The algorithm starts the segmentation at the largest scale. Then it repeats the same
process on the newly segmented regions at the next lower scale. After finishing the
final segmentation at the smallest scale, the region merging operation follows
region growing to derive the final segmentation result. The flow-chart of the steps
in JSEG is presented in the above Fig.
Before operating seed growing (valley seed area), we must determine the initial
seed areas. These areas correspond to minima of local J values.
28
29
Obs. Algoritmul JSEG se poate aplica i pe imagini cu nivele de gri, unde valorile
intensitii sunt cuantizate ca i n cazul culorilor. Totui, rezultatele aplicrii
algoritmului nu sunt la fel de bune deoarece numai intensitatea nu este la fel de bun
discriminant ca i culoarea (figura de mai sus i figura 9).
30
31
32
33
34
35
36
37
38
- pe vertical,
Wy
=
(1
1 0 1
1
1 =
0
1
1 c 1
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54