info@panadisplay.com
Revue sur les algorithmes de segmentation Superpixel

Revue sur les algorithmes de segmentation Superpixel

Nov 17, 2017

1. Méthode de segmentation super pixel basée sur la théorie des graphes

La segmentation d'image basée sur la théorie des graphes est une méthode de segmentation globale descendante, l'idée principale est de diviser l'image entière en un graphe non orienté pondéré, un graphe correspondant à chaque pixel du noeud image, des pixels correspondants du pixel adjacent. différences entre les caractéristiques des poids correspondants ou similaires sur le côté, puis dans la carte en fonction de divers critères de segmentation pour diviser les nœuds dans le graphique, puis compléter la segmentation de l'image.

1.1 Méthode basée sur un graphique

1.2 Méthode Ncut

1.3 Méthode du treillis Superpixel

Pour certains des algorithmes actuels de super pixelisation, le défaut de l'image originale manque d'informations de topologie importantes, Moorer et al ont proposé un algorithme de segmentation non supervisé de réseau de superpixels cette méthode décrit un algorithme glouton capable de maintenir la topologie de l'image, bien que contraintes d'informations topologiques, mais il est en vitesse garder l'entrée et la précision de la performance de segmentation de Superpixel algorithme de réseau est une bonne image de la carte des limites, pour rechercher le chemin de poids minimum à travers l'image, à la frontière de la segmentation avec deux directions dans le chemin optimal de recherche horizontale et verticale, continuellement l'image à partir de la direction verticale et horizontale de deux points pour obtenir la grille super pixel classique.


Dans le graphique,

(a) l'image est segmentée de gauche à droite de haut en bas, et chaque chemin est divisé en deux parties, puis quatre régions peuvent être obtenues, et le chemin optimal est recherché dans la bande préréglée;

(b) augmente la direction horizontale et verticale du chemin, de sorte que l'image est divisée en neuf régions

1.png

Sur la stratégie de recherche du chemin optimal, Moore et al ont adopté deux schémas: s- méthode de coupe minimale et méthode de programmation dynamique, le premier génère des chemins topologiques arbitraires et le second ne produit pas de chemins de régression où le chemin optimal doit satisfaire trois conditions:

A) chaque chemin vertical et horizontal n'est traversé qu'une seule fois;

B) deux chemins verticaux quelconques ne se croisent pas;

C) deux chemins horizontaux quelconques ne sont pas croisés.


Bien que l'algorithme du réseau superpixel ait obtenu de bons résultats de segmentation, sa qualité de segmentation dépend toujours de la carte des limites d'image et stipule implicitement que l'image a besoin de deux mécanismes pour diviser uniformément: a) La distribution uniforme des bandes d'image b) La stratégie du chemin le moins coûteux facilite la formation de chemins relativement droits et courts sur l'image. Par conséquent, Moore et al. Ajout d'une information a priori à l'algorithme basée sur l'algorithme en 2009, et proposition d'une partition superpixel basée sur la forme de la scène à priori. Le modèle de densité de probabilité est utilisé pour décrire la densité spatiale de la limite de l'objet image. Un algorithme de sur-segmentation est adopté pour rendre la densité du super-pixel à peu près égale et s'adapter à la limite de la cible locale.

  

Par la suite, Moore et al. Proposé la méthode de coupe de réseau, c'est une sorte de segmentation non supervisée, utilisant un choix alternatif de stratégie optimale, avec une seule image coupée alternativement dans la direction horizontale ou verticale de mise à jour des super pixels, considérant la frontière de l'image et la cohérence de l'ensemble processus peut être utilisé pour produire des super pixels de la figure décrit la figure 3,


(a) d'une part, l'image est divisée en hyper pixels de grille régulièrement espacés, et les pixels d'un même sous pixel ont la même étiquette;


(b) (d) établir un modèle de champ aléatoire de Markov, mettre à jour la limite du super-réseau du pixel de façon continue en alternance dans les méthodes horizontales et verticales, c'est-à-dire changer l'étiquette des pixels apparentés;


(E) (f) est mis à jour verticalement ou horizontalement. L'étiquette de pixel détermine quelle bande verticale ou horizontale appartient au pixel.


La méthode Lattice-cut est supérieure à l'algorithme de calcul hyper pixel existant, et ses performances sont comparables à certains algorithmes de segmentation de maillage sans contrainte de maillage.

2.jpg

1.4 la méthode basée sur le taux d'entropie