КЕСКІНДІ ЖӘНЕ БЕЙНЕНІ СЕГМЕНТТЕУ ӘДІСТЕРІ

Жұмыс түрі: Материал
Тегін: Антиплагиат
Көлемі: 24 бет
Таңдаулыға:

Кіріспе
Есептеу техникасының қарқынды дамуына байланысты үлкен көлемді көп өлшемді деректерді өңдеу нақты уақыт режимінде іс жүзінде мүмкін болды. Бұл жаппай автоматтандыруға және адамның араласуынсыз күрделі әрекеттерді талдауға және орындауға қабілетті жүйелерді құруға әкелді. Жақында суретті автоматты түрде тану жүйелері танымал болды, бұл адамға көптеген еңбекті қажет ететін процестерді автоматтандыруға мүмкіндік береді. Мұндай жүйелер әртүрлі сегменттеу алгоритмдеріне негізделген. Сегменттеудің ерекше қиындығы бір типті (біртекті) объектілердің кластерлері бар кескіндер болып табылады. Көптеген алгоритмдер нысандардың барлық тобын бір үлкен кластерге анықтайды және егер бұл нысандар бір-бірімен қабаттасса, оның бір немесе бірнеше нысан екенін анықтау мүмкін болмайды.
Біз кескінді сегменттер деп аталатын әртүрлі бөліктерге бөлуге немесе бөлуге болады. Бүкіл кескінді бір уақытта өңдеу жақсы идея емес, өйткені кескінде ешқандай ақпарат жоқ аймақтар болады. Кескінді сегменттерге бөлу арқылы біз кескінді өңдеу үшін маңызды сегменттерді пайдалана аламыз. Бір сөзбен айтқанда, кескінді сегменттеу осылай жұмыс істейді. Кескін - бұл әртүрлі пикселдердің жиынтығы немесе жиынтығы. Біз кескін сегментациясының көмегімен ұқсас атрибуттары бар пикселдерді біріктіреміз.
Cегменттеудің екі негізгі түрі бар -- семантикалық сегменттеу және даналық сегменттеу.
Семантикалық сегменттеуде бір типтегі барлық нысандар бір сынып белгісі арқылы белгіленеди, ал даналық сегменттеуде ұқсас нысандар өздерінің жеке белгілерін алады.
Мұндай сегменттеудің мысалдары 1-суретте көрсетілген.

сурет 1. Сегментация түрлерінің айырмашылығы

Бұл тәсіл көптеген салаларда қолданылады:
Медицина - медицина бойынша жасушалар мен метастаздарды сегменттеу суреттер (әдетте жоғары ажыратымдылықтағы);
География - спутниктік суреттер бойынша үйлердің шатырын сегменттеу;
Өнеркәсіп - роботтарды компьютерлік көру;
өндірістік тапсырмаларды орындау.
Сегментациялаудың тағы бір көп кездесетін түрі-аймаққа негізделген сегменттеу.
Әртүрлі нысандарды сегменттеудің қарапайым тәсілдерінің бірі олардың пиксельдік мәндерін пайдалану болуы мүмкін. Айта кету керек, пиксель мәндері объектілер мен кескіннің фоны үшін әртүрлі болады, егер олардың арасында айқын контраст болса. Бұл жағдайда шекті мәнді орнатуға болады. Осы шекті мәннен төмен немесе жоғары түсетін пиксель мәндерін сәйкесінше (нысан немесе фон ретінде) жіктеуге болады. Бұл әдіс шекті сегменттеу деп аталады. Егер кескінді екі аймаққа (нысан және фон) бөлгіміз келсе, біз бір шекті мәнді анықтаймыз. Бұл жаһандық шек ретінде белгілі. Егер бізде фонмен бірге бірнеше нысандар болса, біз бірнеше шекті анықтауымыз керек. Бұл шектер жалпы түрде жергілікті шек ретінде белгілі.
Бұл жұмыс компьютерлік көру алгоритмі идеясын ұсынады ең үлкен даналардың бір типті объектілерінің арасында анықтау бейне ағынындағы өлшем, сондай-ақ оны сынау құрылған деректер жинағы. Бұл алгоритмді нақты қолдануға болады өнеркәсіптік кәсіпорындардың жүйелері және пайдалы болар еді, мысалы ірі пайдалы қазбаларды ұсақтарынан автоматтандырылған бөлу конвейер.
Қатерлі ісік ұзақ уақыт бойы өлімге әкелетін ауру болды. Тіпті қазіргі технологиялық жетістіктер ғасырында, егер біз оны ерте кезеңде анықтамасақ, қатерлі ісік өлімге әкелуі мүмкін. Қатерлі жасушаларды мүмкіндігінше тез анықтау миллиондаған адамдардың өмірін сақтап қалуы мүмкін. Қатерлі ісік жасушаларының пішіні ісіктің ауырлығын анықтауда маңызды рөл атқарады. Сіз бөліктерді біріктірген болуыңыз мүмкін - нысанды анықтау мұнда өте пайдалы болмайды. Біз ұяшықтардың пішінін анықтауға көмектеспейтін шектейтін қораптарды ғана жасаймыз. Кескінді сегменттеу әдістері осында жаппай әсер етеді. Олар бізге бұл мәселеге егжей-тегжейлі қарауға және маңыздырақ нәтижелерге қол жеткізуге көмектеседі. Денсаулық сақтау саласындағы барлық адамдар үшін жеңіс. Мұнда біз барлық қатерлі ісік жасушаларының пішіндерін анық көре аламыз. Кескінді сегменттеу салаларды өзгертетін көптеген басқа қолданбалар бар:
Жол қозғалысын басқару жүйелері
Өздігінен басқарылатын көліктер
Спутниктік суреттердегі объектілерді анықтау
Кескінді сегменттеу өте пайдалы болатын қосымшалар одан да көп.
Жұмыстың негізгі өзектілігін бірнеше қасиеттер сипаттайды:
1. Объектілерді сегменттеудің бар әдістерін бейнеағынмен талдау;
2. Осы әдістерді талдау негізінде ең қолайлысын сегменттеу мәселесін шешуде қолдану;
3. Бейне ағынындағы біртекті объектілерді сегменттеу әдісін әзірлеу;
4. Бейне ағынында біртекті объектілерді сегменттеу жүйесін енгізу;
5. Жүйені эксперименттік зерттеуді жүргізу.
X x Y x N кадр өлшемі бар кадр бойынша бейне ағынын қабылдайтын алгоритм, мұнда X және Y - ені мен биіктігі бойынша пикселдер саны, N - түсті арналар саны. Ал кірісте алынған әрбір кадр үшін пішінде анықталған сегменттердің орналасуы туралы деректерді қайтарады X x Y матрицасы, мұнда әрбір ұяшықта бір бүтін мән бар - берілген кескін пикселі жататын класс саны.
Нақты кәсіпорындардан ашық деректер базасының болмауына байланысты қозғалатын конвейердегі объектілері бар идеологиялық фрагменттердің деректер жинағы қалыптастырылды. Тестілеу процесін жеңілдету үшін оны екі бөлікке бөлу керек:
а) Үлкен үлгілерді кіші үлгілерден бөлудің дәлдік дәрежесі.
Бұл көрсеткіш жүйенің бір типтегі үлкенірек объектілерді кішігірімнен (фон) қаншалықты дәл ажырататынын анықтайды. Бұл көрсеткішті бағалау үшін стандартты IoU метрикасын қолдандым;

1.2-сурет: IoU-метрикасы

б) Нақты уақыттағы кадрдағы объектілер саны.
Бұл көрсеткіш жүйе анықтаған сыныптар санының (фоннан басқа) кадрдағы объектілердің нақты санына қатынасы ретінде есептеледі.
IoU - 1.2 суретте көрсетілгендей болжамды сегменттеу мен негізгі шындық арасындағы біріктіру аймағына бөлінген болжамды сегментация мен негізгі шындық арасындағы қабаттасу аймағы. Бұл көрсеткіш 0-1 (0-100%) аралығында, 0 қабаттасу жоқтығын білдіреді және 1 толық сәйкес келетін сегментацияны білдіреді. Екілік (екі сынып) немесе көп класты сегменттеу үшін кескіннің орташа IoU әрбір сыныптың IoU алу және олардың орташа мәнін алу арқылы есептеледі. (Ол кодта сәл басқаша жүзеге асырылады).
Қорытындылай келе, семантикалық сегменттеу үшін ең жиі қолданылатын көрсеткіштер IoU болып табылады.

1. КЕСКІНДІ ЖӘНЕ БЕЙНЕНІ СЕГМЕНТТЕУ ӘДІСТЕРІ

0.1 MSER әдісі

MSER әдісі (максималды тұрақты экстремалды аймақтар) таңдауға негізделген келесі қасиеттері бар аймақтардың кескінінде:
а) координаталарды үздіксіз түрлендіру кезінде жиын тұйық болады;
б) жиын онотонды түрлендіру кезінде кескінді қарқындылығы тұйық болады;
Егер пиксельдің қарқындылығы шекті мәннен үлкен болса, ол ақ болып саналады, егер аз қара. Осылайша, кескіндердің тізімі мына жерден анықталады ақтан қараға дейін, оның көмегімен сіз көп нәрсені жасай аласыз қосылған қарқындылық құрамдастары. Бұл әдіс сізге тиімді мүмкіндік береді (алгоритмде дерлік бар сызықтық жұмыс уақыты) бейне ағынындағы белгілі бір нысандарды бақылайды камера бұрышын өзгерткенде, бірақ бөлуді жақсы өңдемейді бір типті объектілер.

сурет 2. MSER әдісінің иллюстрациясы
Бұл суретте MSER әдісінің сегментацияланған жазбасы көрсетілген. Яғни ,сегментациялану барысында бірінші кезекте жазбаларды бөліп алады. Кейін бөліп алған объектінің орнын кез келген түспен алмастырып , бөліп алынған жазбаны сол орынға қойып , жазбаны сегментациядан өткізеді.
Кескінді көп масштабты сегменттеу масштабтар сериясында көріністі талдау үшін кескін жазықтығының иерархиялық ағаш құрылымдық бөлімдерін шығаруға бағытталған. Бұл шығыс кескінді стильдеу және медициналық диагностика сияқты әртүрлі тапсырмаларда LOD (деталь деңгейі) басқару үшін пайдалы. Мысалы, ДеКарло басқа бөліктерді дөрекі сызу кезінде пайдаланушы белгілеген көрінетін аймақтарда ұсақ бөлшектерді салу арқылы кескіндерді стильдендірді. Кәдімгі алгоритмдер жақсы басқарылатын бірнеше деңгейлерде Гаусс конвульсияларын қолдану арқылы көп масштабты бейнені құрастырады. Содан кейін іргелес масштабтарда сәйкес бөртпелерді табатын байланыстыру процесі пайдаланылады. Қарқындылық экстремасына сүйенетін алгоритмдермен салыстырғанда, MSER тұрақтырақ, өйткені ол тұрақтылық экстремумынан туындайды. Бұл MSER тұрақтылығы жергілікті мүмкіндіктердің өнімділігін салыстырудағы басқа әдістерден жоғары екендігі көрсетілді.

0.2 Гистограмма пайдалану арқылы сегменттеу

Гистограмма - кескінді сегменттеудің ең қарапайым және кеңінен қолданылатын әдісі. Кескіннің бөліктерін шекті мәндер арқылы алудың бірқатар стандартты әдістерінде шекті мәндер кескіннің гистограммаларынан тікелей анықталады (суреттің бірінші ретті статистикалық үлгісі). Объектілерді зерттеу тұрғысынан бұл әдістер тобының бірінші әдісі - мод әдісі. Әдіс кескінде жарықтығы бойынша біркелкі нүктелер кластарының белгілі саны бар деген болжамнан шығады. Сонымен қатар, жабық аймақтар арасындағы шекаралық аймақтар кескіннің салыстырмалы түрде аз бөлігін алады деп саналады. Демек, гистограммада олар сегменттеу шектері орнатылған режимаралық шұңқырларға сәйкес болуы керек. Төмендегі суретте екі класқа сегменттеу мысалын көрсетеді - бинаризация.

2.1-сурет: Гистограмма әдісінің графигі
Егер нақты кескін мод әдісінің шарттарын қанағаттандырмаса, келесі төрт тәсіл қолданылады. Біріншіден, гистограмманы жақсарту, оның ішінде градиент ақпаратын, екінші ретті статистиканы және интегралдық үлестіру функциясының қисықтығының талдауын қолдану арқылы кескіннің жергілікті қасиеттеріне негізделген. Екіншіден, гистограмманы қалыпты таралу қоспасымен сәйкестендіру және осы қоспаны оңтайлы бөлу үшін статистикалық әдістерді қолдану. Бұл тәсілдің кемшілігі жоғары есептеу күрделілігі болып табылады, сонымен қатар гаусоидтар жиі нақты режимдерді нашар жуықтайды. Үшіншіден, сегменттелген кескін сапасының эмпирикалық өлшемін енгізу және сәйкес критерий функциясын максимизациялау - дискриминанттық тәсіл, энтропиялық тәсіл, моменттік тәсіл және т.б. Төртіншіден, шекті таңдау үшін басқа статистиканы пайдалануға көшу. , атап айтқанда, жергілікті ерекшеліктер бойынша табалдырықты тікелей таңдау. Жергілікті мүмкіндіктерді пайдалану күрделі нақты кескіндерді сапалырақ сегменттеуге мүмкіндік береді.
Гистограммалық талдау жарықтығы бойынша біркелкі аймақтардан тұратын кескіндерді сегменттеудің қанағаттанарлық сапасын қамтамасыз етеді. Дегенмен, күрделі фонда шағын өлшемді нысандарды таңдаған кезде, нысандардың нүктелері жарықтық гистограммасында айтарлықтай шыңдарды көрсетпейді. Сондықтан айнымалы шекпен өңдеу қолданылады: кескіннің шағын фрагменттері үшін бимодальдылық тексерілетін гистограммалар құрастырылады, ал табылған жергілікті шектер кескіннің қалған бөлігіне интерполяцияланады.

0.3 Қосылған құрамдас таңдау әдісі

Бұл әдіс графикті өту әдістеріне негізделген. Қосылған құрамдастың бірінші пикселі табылғаннан кейін суреттегі келесі пиксельге көшу алдында осы құрамдастың барлық көрші пикселдері белгіленеді. Ол үшін бір-бірімен байланысқан пикселдердің индекстерін сақтайтын байланыстырылған тізім құрылады. Байланыстырылған тізімді құрастыру әдісі бірінші тереңдік немесе бірінші кеңдік іздеуді пайдалану керектігін анықтайды. Бұл әдіс үшін қандай стратегияны қолдану маңызды емес.
Кіріс кескіні өң немесе алдыңғы жоспар болып табылатын пикселдері бар екілік кескін болып саналады және алдыңғы план пикселдерінде қосылған компоненттерді табу қажет.
Орындалу алгоритмі төменде көрсетілген:
1) Суреттегі бірінші пикселден бастаңыз. Ағымдағы белгіні 1 мәніне орнатыңыз. (2) тармағына өтіңіз.
2) Егер бұл пиксел алдыңғы жоспар пикселі болса және ол әлі белгіленбеген болса, оған ағымдағы белгіні беріп, оны кезектегі бірінші элемент ретінде қосыңыз, содан кейін (3) өтіңіз. Егер бұл фон пикселі болса немесе ол әлдеқашан тегтелген болса, келесі кескін пикселі үшін (2) қайталаңыз.
3) Кезектен элементті шығарып алыңыз және оның көршілеріне қараңыз (қосылу түріне байланысты). Көрші алдыңғы жоспар пикселі болса және әлі белгіленбеген болса, оған ағымдағы белгіні беріп, оны кезекке қосыңыз. Кезекте басқа элементтер қалмайынша (3) қайталаңыз.
4) Кескіндегі келесі пиксел үшін (2) тармағына өтіп, ағымдағы белгіні 1-ге арттырыңыз.

сурет 2.2: Шекті сурет пен Белгіленген суреттің сегментациядан өту барысы

Кезекке қою алдында пиксельдер белгіленеді, сондықтан көршілерді тексеру және қажет болса оларды кезекке қосу үшін тек пиксель кезекке қойылады. Бұл алгоритм әрбір алдыңғы пикселдің көршілерін бір рет тексеруі керек және фондық пикселдердің көршілерін тексермейді.

0.4 Су айдыны арқылы сегменттеу

Су айдыны трансформациясы кескінді оның биіктігін көрсететін әрбір нүктенің мәні бар топографиялық карта ретінде қарастырады және жоталардың шыңдары бойынша сызықтарды табады. Су айдыны арқылы есептеудің көптеген әртүрлі алгоритмдері бар:
а) Су тасқыны
Бұл әдісті 1979 жылы С.Бехер мен К.Лантюжул ұсынған. Негізгі идея - суреттегі әрбір аймақтың төменгі бөлігінде су көзін орналастыру, көздерден бүкіл жерді су басу және әртүрлі су көздері кездескен кезде тосқауылдар салу. Алынған кедергілер жиынтығы тасқын су алабын білдіреді.
б) Топографиялық қашықтық бойынша су айрығы
Рельефке түсетін су тамшысы ең жақын минимумға қарай ағатыны интуитивті түрде анық. Ең жақын минимум - ең тік түсу жолының соңында болатын минимум. Топографиялық тұрғыдан алғанда, бұл нүкте осы төменнің дренаждық бассейнінің ішінде болса, орын алады. Сондықтан әрбір нүкте үшін оның жататын класы анықталады.
c) пикселаралық су айдыны
Су айдыны әдісін пикселаралық жүзеге асыру алгоритмі:
Әрбір минимумды бөлек белгімен белгілеңіз. Белгіленген түйіндері бар S жиынын инициализациялаңыз.
S-тен минималды биіктіктегі x түйінін шығарыңыз. x белгісіне іргелес әрбір белгіленбеген y түйініне x белгісін тағайындаңыз және y мәнін S ішіне кірістіріңіз.
S бос болғанша 2-қадамды қайталаңыз.
Су айдыны әдісі, алдыңғы әдістерден айырмашылығы, кескіндерді қиылысатын біртекті объектілердің үлкен санымен де сегменттеуге мүмкіндік береді, сонымен қатар сызықтық жұмыс уақыты бар. Қиындық мынада: бұл әдіс кескіндегі шуылға өте сезімтал, сондықтан ол айтарлықтай алдын ала өңдеуді қажет етеді. Алгоритм суретпен f=I(x,y) екі айнымалының функциясы ретінде жұмыс істейді, мұндағы x,y - пиксельдік координаталар:
Функцияның мәні градиенттің қарқындылығы немесе модулі болуы мүмкін. Ең үлкен контраст үшін кескіннен градиент алуға болады. Егер градиенттің абсолютті мәні OZ осі бойымен сызылған болса, онда қарқындылық айырмашылығы бар жерлерде жоталар, ал біртекті аймақтарда жазықтар қалыптасады. f функциясының минимумдарын тапқаннан кейін сумен толтыру процесі басталады, ол жаһандық минимумнан басталады. Су деңгейі келесі жергілікті минимумның мәніне жеткенде ол суға тола бастайды. Екі аймақ біріктіріле бастағанда, аймақтардың бірігуіне жол бермеу үшін бөлім құрастырылады.

сурет 2.3. Су айдыны әдісін тиіндер арқылы сегментациялау.

2.3 суретте су айдыны әдісінің қалай орындалатыны көрсетілген. Суретте қарапайым шекті белгілеу және контурды анықтау арқылы шығару мүмкін болмайтын нысандардың мысалдарын көре аласыз. Бұл нысандар бір-біріне тиіп тұрған, қабаттасатын немесе екеуі де болғандықтан, контурды шығару процесі түртіп тұрған нысандардың әрбір тобын бір нысан ретінде қарастырады. бірнеше нысандарға қарағанда.

.1 Терең оқыту әдісі

Әртүрлі мақсаттарға мамандандырылған нейрондық желі архитектураларының үлкен саны бар. Ең қарапайым архитектура - перцептрон - объектілерді классификациялауға мүмкіндік береді. Қайталанатын нейрондық желілер тізбектермен жұмыс істегенде жақсы нәтижелер көрсетеді.
Бұл күндері конволюционды нейрондық желілер (CNN) сегменттеу үшін ең жақсы нәтижелерді көрсетеді. Олардың жұмыс істеу принципі мүмкіндік карталарының өлшемін кеңейту арқылы бастапқы кескіннің өлшемін біртіндеп азайтуға негізделген. Осылайша, соңғы конволюциялық қабатта әдетте кескіннің ерекшелік векторы алынады. Содан кейін бұл вектор әдеттегі классификаторға немесе басқа нейрондық желіге ауыстырылады.
CNN архитектурасы:
Конволюциялық қабат
Бұл блокта әрбір шығыс арнасы үшін өзінің сүзгісі (конволюциялық ядро) бар. Бұл фрагмент сүзгісі алдыңғы қабатты өңдейді (сүзгі салмақтары оқу процесінде). Шығаруда әрбір қабат әр сүзгіге мүмкіндік карталарын береді және оларды келесі блокқа береді.
Белсендіру қабаты
Әрбір конволюцияның нәтижесі белсендіру функциясына (нейронның шығыс сигналын анықтайтын сызықты емес функция) беріледі. Перцептрон әдетте гиперболалық тангенс немесе сигма тәрізді функцияны пайдаланады, бірақ терең желілер үшін қарапайым және тиімдірек ReLU (түзетілген сызықтық бірлік) функциясы табылды, ол скаляр шамасының теріс бөлігін кесу болып табылады.
Біріктіру қабаты
Бұл қабатта мүмкіндіктер картасының өлшемі пикселдер блоктарын (әдетте 2x2) біреуімен ауыстыру арқылы азайтылады. Бұл деңгей желіні қайта оқытпауға және қажет емес мәліметтердің үлкен көлемін сақтауға мүмкіндік береді және әдетте әрбір конвульсия қабатынан кейін орналастырылады.
Толық қосылған нейрондық желі
Барлық конвульсия қабаттарынан кейін әдетте мүмкіндіктер картасы қалады, мұнда барлық мүмкіндіктер кіші өлшемді скаляр векторлармен ұсынылған. Векторлық деректер біріктіріліп, классификацияны немесе сегменттеуді орындайтын толық қосылған нейрондық желіге (мүмкін көп деңгейлі) беріледі.

сурет. 2.4 - CNN сәулет үлгісі

U-net архитектурасы:
Әрбір конволюциялық қабатта алынған ақпарат сәйкес өлшемнің сығылған мүмкіндіктер картасы болып табылады. Бұл сипатты осы архитектура пайдаланады. Әрбір өлшемді кеңейту блогында ағымдағы мүмкіндік картасы сәйкес конвульстік қабат мүмкіндіктері картасымен біріктіріліп, келесі блокқа өтеді. Осылайша, нысандардың контурлары айқынырақ және тегіс болады және жаттығу деректерін аз талап етеді.

2.5 сурет: U-neт архитектурасы

Желінің архитектурасы 2.5-суретте көрсетілген. Ол жиырылу жолынан (сол жағы) және кеңею жолынан (оң жағы) тұрады. Блок архитектурасы типтік конволюционды желі архитектурасына сәйкес келеді. Олар екі 3x3 конвульсиясын қолданудан тұрады, одан кейін ReLU белсендіру және 2 қадамы төмен үлгіні алу үшін 2x2 біріктіру операциясы (максималды таңдау). Әрбір кішірейту қадамында арналар саны екі еселенеді. Кеңейту жолындағы әрбір қадам мүмкіндіктер картасын іріктеуден тұрады: арналар санын екі есе азайтатын 2x2 конволюциясы (жоғары конволюция), қысқарту жолынан сәйкес қысқартылған мүмкіндік картасы бар біріктіру және әрқайсысынан кейін 3x3 бүктемелері бар екі бүктеме. ReLU белсендіру. Әрбір конвульсиядағы шекаралық пикселдердің жоғалуына байланысты қию қажет. Соңғы деңгейде әрбір 64 компонентті мүмкіндік векторын қажетті сыныптар санына салыстыру үшін 1x1 конвульсиясы пайдаланылады. Бастапқы желіде 23 конволюционды қабат бар.
Терең оқыту әдісінің артықшылығы сегментацияның жоғары дәлдігі, айналу мен жылжу кезіндегі кескіннің тұрақтылығы және есептеулерді параллельдеу мүмкіндігі болып табылады. Негізгі кемшіліктер - белгілі бір тапсырма үшін желінің параметрлері мен архитектурасын таңдаудың күрделілігі, оқыту үлгісінің қажеттілігі және күрделі құрылымы бар желілер үшін ұзақ уақыт.
Қорытынды:
Талданған деректер негізінде кесте құрастырылды (1.1-кесте), онда әрбір қасиет 1-ден 5-ке дейін бағаланды, мұнда 1 бұл көрсеткіш ізгілік (ең аз жұмыс уақыты, ең жоғары дәлдік) және сәйкесінше 5 - қарама-қарсы.

Сегментациялау әдістерінің ерекшеліктері
MSER
Гистограмма әдісі
Су айдыны
Терең оқыту
Жұмыс уақыты
1
1
1
3
Дайындық уақыты
1
1
1
3
Деректерді алдын ала өңдеу
2
1
4
3
Әдістің дәлдігі
3
3
2
1
Біртекті объектілерді сегменттеуге қолдану мүмкіндігі
4
3
1
1
1.1-кесте: Талданған деректер мәндері
Терең оқыту әдісі дәлдік береді, бірақ күрделі желілер тым көп уақыт алады. Су айдыны әдісі өзінің жылдамдығымен ерекшеленеді, бірақ стандартты кескінді алдын ала өңдеумен өте төмен дәлдікпен. Сондықтан мәселені шешу үшін осы екі әдістің артықшылықтарын біріктіру идеясы ұсынылады. Желінің құрылымы шағын және жинақы болуы керек және қажетті объектілерді фоннан бөлудің қарапайым тапсырмасын орындауы керек, ал су айдыны әдісі алынған мәліметтермен жұмыс істеуі керек.

1. ЖҮЙЕНІ ЕНГІЗУ ЖӘНЕ СЫНАҚТАН ӨТКІЗУ

1.1 Алгоритмнің негізгі мәні

3

1
2
5

4

Сурет. 3 Алгоритмнің схемасы

Жүйе келесі кадрды кіріс ретінде қабылдайды (мүмкін нақты уақытта);
Үйретілген классификатордың көмегімен үлкен объектілер фоннан бөлінеді (кіші объектілер);
Алынған екілік маскада қашықтық түрлендіруі бар;
Объектінің маркерлері қашықтықты түрлендіру матрицасында жергілікті максимумдар ретінде анықталады;
Бинарлы маскада алынған маркерлерге сәйкес су алабы түрленуі қолданылады.
Сегментациялау алгоритмі барысында , қазіргі уақытта ... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.