Documente Academic
Documente Profesional
Documente Cultură
Prelucrarea imaginilor
curs – an III CTI
Capitolul 3. Segmentare
Region Growing
PI – curs 10
Segmentarea imaginilor
PI – curs 10
Segmentare pe baza de regiuni
Regiune
Un grup de pixeli conectati
cu proprietati similare
Contururi inchise
Regiunile corespund
obiectelor sau unor parti
din obiecte
Proximitate spatiala +
PI – curs 10 similaritate
Region growing
Formarea unei regiuni:
PI – curs 10
Region growing
Adiacenta:
vecinatate 4 sau 8 conectata
Criterii de similaritate:
Diferenta de intensitate (in valoare absoluta) intre
pixelii candidati si samanta
Diferenta de intensitate intre pixelul candidat si
intensitatea medie a regiunii
Diferenta maxima de intensitate in regiune
Diferenta intre deviatia standard a intensitatii intr-
o vecinatate a pixelului candidat si cea din
vecinatatea pixelului samanta
PI – curs 10
Region growing
1. Alegerea pixelului samanta
2. Adaugarea in regiune a pixelilor vecini daca
respecta criteriul de similaritate
3. Se repeta pasul 2 pentru fiecare pixel adaugat;
Terminare cand nu mai poat fi adaugat niciun
pixel
PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT
PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT
PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT
PI – curs 10
Region growing - implementare
PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:
d = 40 d = 41
PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:
PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:
PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:
PI – curs 10
Region growing - limitari
Segmentarea trebuie sa satisfaca o serie de
criterii:
1. Fiecare pixel trebuie sa fie asignat unei
regiuni
PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging
Splitting
1. Se porneste cu o regiune care initial este
constituita din toata imaginea
2. Regiunea este subdivizata recursiv cat timp
nu este satisfacuta o conditie de omogenitate
Merging
3. Unirea regiunilor adiacente uniforme pentru a
evita suprasegmentarea
PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging
Quadtree pentru splitting
PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging
PI – curs 10
Segmentare prin clusterizare
Clusterizare:
Organizarea unui set de date in clase astfel incat
sa se obtina
Similaritate mare in interiorul clasei
Varianta mare intre clase
PI – curs 10
Segmentare prin clusterizare
Clusterizare:
Organizarea unui set de date in clase astfel incat
sa se obtina
Similaritate mare in interiorul clasei
Varianta mare intre clase
PI – curs 10
Segmentare prin clusterizare
Similaritate:
Distanta Euclidiana (patratica) mica
PI – curs 10
Segmentare prin clusterizare
Similaritate:
Distanta Euclidiana (patratica) mica
PI – curs 10
Segmentare prin clusterizare
Similaritate:
Distanta Euclidiana (patratica) mica
PI – curs 10
Segmentare prin clusterizare
Segmentare
Impartirea imaginii in regiuni perceptual similare
PI – curs 10
Segmentare prin clusterizare – K-Means
Algorim iterativ de clusterizare
Initializare:
Se aleg in mod aleator K centroizi
Iterativ:
Se asigneaza punctele unui cluster conform
celei mai mici distante fata de un centroid
Se actualizeaza centroizii – media punctelor din
cluster
Terminare:
- Cand clusterele nu se
PI – mai
curs 10 modifica
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
PI – curs 10
Segmentare prin clusterizare – K-Means
K=5
PI – curs 10