가장 일반적인 현대 이미지 분할 기술

나는 이미지 분할 기술에 대해 읽고 있었고 현대의 최신 분할 알고리즘에 대해 궁금했습니다.

'필독 한'즉 현재 커뮤니티에서 가장 일반적으로 사용되는 현재의 세분화 기술은 무엇입니까? 어떤 기술을 접하고 가장 효과적이고 유용하며 어떤 응용 분야에 적용 했습니까?

나는 많은 세그먼테이션 기술에 대해 알지 못하지만 만족스러운 세그먼테이션을 생성하기 위해 추가로 조사 할 수있는 세그먼테이션 조각의 "선택"을 제공하는 구조를 다루고 있습니다.

다른 누군가가 내가 잘 모르는 최첨단 세분화 방법에 대해 쓸 수 있기를 바랍니다.

다른 이미지에 대해 분할 또는 분할 수준을 선택하는 것이 좋은 이유에 대한 간단한 소개 : 분할은 잘못 정의 된 문제입니다. 지상 진실은 존재하지 않습니다 원하는 결과가 항상 사용자의 요구 사항 및 사양에 따라 달라집니다. 좋은 인용문 :

고정 이미지의 경우 에도 분할 품질을 정의하는 기준이 응용 프로그램에 따라 다르 므로 "최상의"분할이 둘 이상있을 수 있습니다 . 이를 통해 우리는 특정 사용자 요구 사항을 충족시키는 분할을 생성하는 데 사용할 수있는 "퍼즐 조각" 을 제공하는 이미지 분할 기술 에 대한 연구에 집중하게되었습니다.

( P. Soille : 계층 적 이미지 분할 및 단순화를위한 제한된 연결성 (2008) )

있습니다 계층 구조 , 계층 적 이미지 분해 다양한 복잡성 이미지 파티션을 제안한다. 이러한 구조는 가장 간단하게 트리 구조로 표현되며 각 노드는 이미지의 영역을 나타냅니다. 구조에 대한 아이디어 :

• 구조의 잎은 미세한 구획의 영역이거나 이미지의 과다 분할 (예 : 픽셀, 동일한 영역의 연결된 영역, 유역 )
• 트리의 링크 는 (이웃) 영역의 병합 또는 합집합 을 나타내며 더 복잡한 영역을 형성하며 객체에 해당하는 영역을 생성 할 가능성이 가장 높은 방식으로 구성 됩니다 (희망적으로 :))
• 각 분기를 따라 노드의 복잡성이 노드에서 트리의 루트쪽으로 증가합니다.
• 트리의 모든 레벨 (또한 모든 컷)은 이미지의 분할 / 분할입니다 (루트에 가까울수록)
• 트리의 루트는 전체 이미지 도메인을 커버

보다 세분화로 구성 하기 위해 지역과 제안 된 노동 조합을, 검사의 결정 트리에서 지역 또는 나무의 절단 요구에 상응하는 관심의 대상, 또는 기타 사전 정의 된 사용자 사양에 대한 정밀도 또는 몇 가지 알려진 속성을.

이러한 속성을 가진 트리 (즉, 계층 적 이미지 분해)는 다음과 같습니다.

• $\alpha$
• $(\omega)$
• 이진 파티션 트리 ( 세그멘테이션 및 객체 감지를 목표로 함 )

이미 제공 된 논문에 대한 링크 외에도 이러한 종류의 분할 기술에 대한 좀 더 구체적이고 덜 구체적인 현재 논문 :

• Cousty, J., Najman, L .: 계층 적 최소 스패닝 포레스트 및 유역 삭감의 성향을위한 증분 알고리즘 (2011)
• Soille, P., Grazzini, J .: 제한된 연결 및 전환 영역 (2009)

(더 실용적인) :

• Serna, A., Marcotegui, B .: 속성 제어 재구성 및 적응 수학적 형태 (2013)
• Merciol, F., Lefèvre, S .: 알파 트리 멀티 스케일 표현을 기반으로 한 빠른 이미지 및 비디오 세그먼테이션 (2012)

Penelope 의 답변에 대한 부록으로 , 인기있는 두 가족 (및 최신 유행) 알고리즘.

수퍼 픽셀

슈퍼 픽셀 (Superpixels ) 이라는 매우 인기있는 알고리즘 계열은 현재 매우 유행 적입니다 (CV 회의에는 일부 슈퍼 픽셀 세션도 있음). 수퍼 픽셀은 오버 세그먼트 화 (유역이 제공하는 것과 유사)와 매우 유사하므로 일부 후 처리가 필요합니다.

수퍼 픽셀은 작은 균일 한 이미지 영역 으로 볼 수 있습니다 . 픽셀 사이의 거리는 양방향 필터링에서와 같이 평가됩니다. 즉, 거리가 비슷하고 비슷할 때 0으로가는 시각적 거리와 시각적 거리가 혼합되어 있습니다.
그런 다음 수퍼 픽셀 방법은이 기준과 관련하여 작은 균질 영역을 형성하기 위해 다양한 기준을 시도합니다. 많은 것들이 있습니다 (그래프 기반, 모드 탐색 / 클러스터링 기반 ...) . 이 기술 보고서 를 참조하는 것이 가장 좋습니다 .

(편집 :) 누군가가 출판 된 동료 검토 작품을 찾고있는 경우,이 기사는 동일한 저자에 의해 작성되었으며 기술 보고서 ​​( R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk : 최신 슈퍼 픽셀 방법과 비교 한 SLIC 슈퍼 픽셀

내가 첫 번째 버전의 답변을 썼을 때 시각적으로 결과가 유역 과다 분할이 제공하는 것과 매우 유사하다는 점에 유의하십시오. 이것은 관련 작업 부분에 유역을 포함하는 기술 보고서 ​​작성자에 의해 확인됩니다. 따라서 동일한 후 처리를 수행해야합니다. 수퍼 픽셀은 픽셀 대신 사용하기 편리한 기능 일 수 있지만 객체를 추적 / 감지해야하는 경우 더 높은 수준의 영역을 형성하기 위해 그룹화해야합니다.

그래프 기반 세분화 방법

또 다른 인기있는 알고리즘 계열은 픽셀 관계 분석, 즉 픽셀의 모양이 얼마나 가까운 지에 있습니다. 이는 정규화 된 컷 (J. Shi, J. Malik : 정규화 된 컷 및 이미지 분할 ) 과 같은 그래프 이론 기반의 세분화 방법 패밀리를 생성합니다 .

이 접근법의 직관은 다음과 같습니다. 픽셀이 고차원 그래프의 점 (정점)이라고 가정합니다.
그래프에서, 두 벡터는에 의해 접속 될 수있는 에지 누구, 중량 정점 사이에 약간의 거리에 반비례한다. 전형적으로, 가중치 함수는 양자 필터링에서와 같이 공간 거리와 시각적 유사성 사이의 혼합의 역수 일 것이다.
그런 다음,이 그래프가 주어지면, 분할 알고리즘은 그룹 내 거리 가 작고 그룹 외 거리가 큰 정점 그룹, 즉 정점 그룹을 찾을 수 있습니다.

노멀 라이즈 컷 접근법에서, 클러스터의 다른 모집단 크기로 인한 편견을 피하기 위해 몇 가지 추가적인주의가 필요합니다. 또한 그래프 이론에서 연결 매트릭스 라고도하는 가중치 매트릭스의 SVD를 계산하여 그래프 탐색을 피할 수 있습니다 .

세분화를위한 최신 알고리즘에 대한 전반적인 개요를 보려면 최신 설문 조사를 찾아야합니다. 도전에 대한 좋은 글로벌 개요는 Szeliski 's Book에 제시되어 있습니다.