Color Image Segmentation

  這一篇論文是大四下上修碩士班課程-圖訊識別的時候期末論文報告所讀的。主要是在做影像分割。而所謂的影像分割是要將一張影像的物件、背景自動的獨立取出。而理想的影像分割是希望有紋理、材質的物件,我們可以正確的分割出來。比如說我有一張黑白相間的窗簾,我們當然不希望分割的結果是黑的一條、白的一條、黑的一條....而是希望整個窗簾視為一整個完正的物件。而這篇論文及著重在這個部份,可以將材質的物件完整的分割出來。下圖中(圖來自於論文),左邊為原始影像,右邊為分割後的結果。最後作者的方法分割成 27 個區域,可以看到同一種花的區域被完整的分割出來,而不是一朵朵的被分割。


  在很多影像分割的方法中,想要將材質完整分割的方法大多都是將該 pixel 周圍的 pixel 也都考慮進去。也就是除了色彩資訊外,也把空間的資訊加入考慮。如此即可有效的將材質完整取出。不過通常如此都需要大量的計算時間。而此篇作者也提出先將影像做量化(quantization),目的是要將相似的顏色歸類,也可以達到去除雜訊的功用。如下圖(圖來自於論文),左邊為原始影像,右邊是經過量化的結果,影像的色彩已經只剩下 13 種顏色。



  接下來用一個 size 較大的 window 去作第一次分割,接著將 window size 調小繼續細分,最後再將過於小的區域合併,即完成分割。而整個過程計算量其實滿可觀的,光是第一步的量化就需要滿久的時間了,接下來每個 pixel 還要算他周圍 pixel 的資訊,所以說整個處理下來,花的時間不少。不過比起其他採用周圍 DCT 係數的作法應該快了些。下面是一些作者最後的實驗結果(圖來自於論文)。



心得:
  目前影像切割的方法很多,有的是著重分割的結果,有的是說速度快。其實現階段很多論文都是用前人的方法加以改進,不是更快就是更好,當然,能兩個都超越那是最好的了。不過我還有讀過一篇影像分割是利用類神經網路來學習/分割的,他的好處是類似的影像我只要花時間去學一次,之後要分割都可以很快速的處裡。從這邊可以感覺的出來,一個問題的結果方法很多很多,就看自己從哪個角度切入吧....所以多看看別人的方法,自己多想想,我想對我的幫助一定是很大的!就像寫程式,同一個程式寫法很多,多看看別人的 code 從其中去想說他為什麼要這樣寫,這樣寫有什麼好處,如果是我我會怎麼寫....這樣累積下來,自己的程式功力想必大增不少。我就是靠著對程式濃厚的興趣這樣看了、想了不少...
創作者介紹

程式之旅、職場之路...

qazq 發表在 痞客邦 PIXNET 留言(0) 人氣()