로그인
로그인

마인드 맵 갤러리 이미지 분할 알고리즘 개요

이미지 분할 알고리즘 개요

전통적인 이미지 분할 방법, 성능 분석 비교 및 요약, 딥러닝 기반 분할 방법-분할 네트워크 모델 등을 포함한 이미지 분할 알고리즘에 대한 검토.

2022-04-10 10:44:06에 편집됨

슈퍼직장인

최근 작업 더 많은 작업 보기>>

(III) 저산소 유도 인자 프롤릴 하이드 록 실라 제 억제제
이것은 (III) 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제에 대한 마인드 맵이며, 주요 함량은 다음을 포함한다 : 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제 (HIF-PHI)는 신장 빈혈의 치료를위한 새로운 소형 분자 경구 약물이다. 1. HIF-PHI 복용량 선택 및 조정. Rosalasstat의 초기 용량, 2. HIF-PHI 사용 중 모니터링, 3. 부작용 및 예방 조치.
Kuka 산업용 로봇의 개발 및 Kuka 산업 로봇의 모션 제어 명령
이것은 Kuka Industrial Robots의 개발 및 Kuka Industrial Robot의 모션 제어 지침에 대한 마인드 맵입니다. 주요 내용에는 쿠카 산업 로봇의 역사, 쿠카 산업 로봇의 특성, 쿠카 산업 로봇의 응용 분야, 2. 포장 프로세스에서 쿠카 로봇은 빠르고 일관된 포장 작업을 달성하고 포장 효율성을 높이며 인건비를 줄입니다. 2. 인건비 감소 : 자동화는 운영자에 대한 의존성을 줄입니다. 3. 조립 품질 향상 : 정확한 제어는 인간 오류를 줄입니다.
1.1 컴퓨터 네트워크 요약
408 컴퓨터 네트워크가 너무 어렵습니까? 두려워하지 마세요! 나는 피를 구토하고 지식 맥락을 명확히하는 데 도움이되는 매우 실용적인 마인드 맵을 분류했습니다. 컨텐츠는 매우 완전합니다. 네트워크 아키텍처에서 응용 프로그램 계층, TCP/IP 프로토콜, 서브넷 디비전 및 기타 핵심 포인트에 이르기까지 원칙을 철저히 이해하는 데 도움이 될 수 있습니다. 📈 명확한 논리 : Mindmas 보물, 당신은 드문 기회가 있습니다. 서둘러! 이 마인드 맵을 사용하여 408 컴퓨터 네트워크의 학습 경로에서 바람과 파도를 타고 성공적으로 해변을 얻으십시오! 도움이 필요한 친구들과 공유해야합니다!

이미지 분할 알고리즘 개요

슈퍼직장인

최근 작업 더 많은 작업 보기>>

추천 사항
개요

이미지 분할 알고리즘
- 10
슈퍼직장인

이미지 분할 방법 검토

소개

이미지 분할: 이미지를 분리되고 의미 있는 하위 영역으로 나눕니다.

같은 영역의 픽셀: 상관관계

다양한 영역의 픽셀: 차이점

기존의 이미지 분할 방법

사용:

이미지 처리 전처리 단계

이미지의 주요 특징 정보 얻기

이미지 분석 효율성 향상

분류

임계값 기반: 회색조 이미지 분할 방법

본질: 다양한 그레이스케일 임계값을 설정하고 이미지 그레이스케일 히스토그램을 분류합니다(동일한 그레이스케일 범위는 동일한 카테고리에 속하며 특정 유사성을 갖습니다).

프로세스:

f(i,j): (i,j)의 회색값을 나타냅니다.

T: 그레이스케일 임계값

이미지 픽셀 회색 값을 임계값과 비교하여 대상과 배경의 두 부분으로 나뉩니다. 출력 이미지 g(i,j)는 0 또는 1의 값으로 변경됩니다.

1 (타겟): f(i,j)>=T

0 (배경): f(i,j)<T

임계값 T가 클수록 더 많은 픽셀이 대상으로 분할됩니다.

분류:

포인트 기반 전역 임계값 분할 방법

지역 기반 전역 임계값 분할 방법

로컬 임계값 분할 방법

... ...

분석됨:

적용 가능한 상황:

목표 그레이 레벨은 고르게 분포되어 있으며 거의 변하지 않습니다.

대상과 배경 사이의 회색조 차이가 분명합니다.

이점:

간단하고 구현하기 쉽습니다.

효율적인

불충분하다:

픽셀 자체의 회색값만 고려하고, 영상 의미, 공간 등의 특징 정보는 고려하지 않습니다.

소음에 취약함

복잡한 이미지에는 적합하지 않음

실용적인 적용:

전처리 방법

다른 분할 방법과 함께 사용

가장자리 기반

이론적 근거: 경계 픽셀의 회색 값은 인접 픽셀의 회색 값과 크게 다릅니다.

과정 : 인접한 픽셀과 회색값의 차이가 큰 점(에지점)을 연결하여 경계선을 형성

분류:

직렬 에지 검출 방법: 먼저 에지 시작점을 검출하고, 시작점에서 시작하여 유사성 기준을 통해 인접한 에지점을 검색하고 연결합니다.

평행 에지 검출 방법: 공간 미분 연산자를 사용하여 템플릿을 이미지와 컨벌루션

로버츠

소벨

프리윗

통나무

영리한

... ...

요약: 실제 응용 분야에서 병렬 에지 감지 방법은 간단하고 빠르며 상대적으로 성능이 좋으며 가장 일반적으로 사용되는 방법입니다.

지역에 따라

알고리즘 원리: 영상 공간정보에 따라 분할하고, 픽셀의 유사성 특징을 통해 픽셀을 분류하고 영역을 형성합니다.

분류

지역 재배 방법

원리: 유사한 속성을 가진 픽셀을 모아 독립적인 영역을 형성

프로세스:

1. 성장의 시작점으로 시드 포인트 그룹을 선택합니다(단일 픽셀 또는 작은 영역).

2. 성장 기준에 따라, 유사한 특성을 지닌 근원점과 주변 픽셀을 근원점이 위치한 영역에 병합합니다.

3. 새 픽셀 포인트를 시드 포인트로 사용하고 모든 영역이 감지되고 성장이 멈출 때까지 반복적으로 반복합니다.

필수 사항

종자점

선정방법

인위적인 선택

알고리즘이 자동으로 선택합니다.

성장 기준(이미지 특징 정보)

색상

조직

공간

... ...

분석됨

장점: 간단한 계산

불충분하다:

1. 소음에 민감함

2. 지역 공석으로 이어지기 쉽다

분할-병합 방법

알고리즘의 본질: 이미지의 각 하위 영역을 얻기 위한 지속적인 분할 및 병합

프로세스:

1. 이미지를 일정한 영역으로 나눕니다.

2. 유사성 기준에 따라 서로 다른 특성을 갖는 영역은 분할되고, 동일한 특성을 갖는 인접한 영역은 분할 또는 병합이 발생하지 않을 때까지 병합됩니다.

핵심/난점

초기 파티션

분할-병합 유사성 기준

분석됨

장점: 복잡한 이미지에 대한 더 나은 분할 효과

불충분하다:

1. 복잡한 계산

2. 분할 과정에서 경계가 무너질 수 있습니다.

클러스터링 기반

알고리즘 원리: 유사한 특성을 가진 픽셀을 동일한 영역으로 모으고, 수렴될 때까지 클러스터링 결과를 반복적으로 반복하고, 마지막으로 모든 픽셀을 여러 다른 범주로 모아 이미지 영역 분할 == 이미지 분할을 완료합니다.

일반적인 알고리즘 분석 예시

단순 선형 반복 클러스터링 SLIC(슈퍼픽셀 분할) ==>이미지 분할이 픽셀 클러스터링 문제로 변환됩니다.

알고리즘 아이디어: 클러스터링을 기반으로 이미지의 픽셀을 슈퍼 픽셀 블록으로 나눕니다.

알고리즘 단계:

1. RGB 컬러 이미지 매핑을 Lab 이미지로 변환 (실험실 공간은 더 넓은 색상 영역을 유지하고 더 풍부한 색상 특성을 제공합니다)

L: 밝기

a: 마젠타색에서 녹색까지의 범위

b: 노란색에서 파란색까지의 범위

2. 거리 측정을 위해 각 픽셀의 색상 특징(L, a, b)과 좌표(x, y)를 벡터(L, a, b, x, y)로 결합합니다.

픽셀 i와 j 사이의 색상 거리

픽셀 i와 j 사이의 공간적 거리

최종 거리가 측정됩니다.

최대 색상 거리: 정수 [1,40]을 취합니다.

클래스 내 최대 공간 거리

슈퍼픽셀 블록 크기 - 인접한 시드 포인트 사이의 거리

이미지의 총 픽셀 수

사전 분할된 슈퍼픽셀 블록의 합

이점

안정적인 성능

좋은 견고성

적용 가능: 이미지 분할, 자세 추정, 대상 추적 및 인식 등

그래프 이론을 바탕으로

알고리즘 아이디어: 분할 문제를 그래프 분할로 변환하고 목적 함수의 해를 최적화하여 분할을 완료합니다.

고전적인 알고리즘의 예

그래프 컷

알고리즘 아이디어: 이미지 분할 문제에 최소 컷 문제를 적용하여 이미지를 전경과 배경으로 분할합니다.

알고리즘 소개:

1. 이미지를 S-T 다이어그램으로 매핑

가중치가 있는 무방향 그래프 G=(V,E)

V: 정점 집합 == 원본 이미지의 픽셀 포인트에 해당하는 정점

E: Edge set == Edge의 가중치는 픽셀 간 유사도입니다.

각 노드는 터미널 정점 S와 T에 연결되어 점선으로 된 가장자리를 형성합니다.

S에 연결된 정점의 점선 가장자리의 가중치는 해당 점이 전경 대상일 확률입니다.

T에 연결된 꼭지점의 점선 가장자리의 가중치는 해당 점이 배경일 확률입니다.

한 종류의 에지: 픽셀 포인트를 나타내는 일반 노드를 서로 연결하여 형성된 에지. 다른 종류의 에지: 터미널 꼭지점과 이를 연결하는 노드 사이의 에지

2. 에너지 손실 기능 최소화 문제 해결

cut: 엣지 세트의 모든 엣지가 연결 해제됨 - S-T 그래프 분리

min cut: 컷에서 해당 모서리의 모든 값의 합이 가장 작습니다.

3. 최소 컷을 찾아 지속적으로 반복합니다.

평가, 에너지 손실 함수의 최소값 찾기

장점: 영상의 회색조 정보를 사용하고 지역 경계 정보도 사용하여 가장 적합한 솔루션을 통해 최상의 분할 효과를 얻습니다.

불충분하다

계산량이 많다

클래스 내 유사성이 동일한 이미지 분할을 선호합니다.

그랩 컷

원컷

... ...

특정 이론을 바탕으로

수학적 형태론

노이즈의 영향을 극복하고 선명한 엣지 이미지 획득

유전자 알고리즘

최적의 솔루션을 얻고 최적의 분할을 달성하기 위해 자연적 적자 생존을 시뮬레이션합니다.

웨이블릿 변환

활성 윤곽 모델

퍼지 이론

대략적인 집합 이론

... ...

딥러닝 분할 네트워크 모델 기반 분할 방법

전체 컨볼루션 네트워크 FCN(full convolution network) - 이미지 의미론적 분할

알고리즘 아이디어:

8개 레이어의 컨볼루션 처리 후 기능 맵을 업샘플링하여 디컨볼루션 작업을 구현하고 SoftMax 레이어를 통해 분류한 후 최종적으로 분할 결과가 출력됩니다. 여러 컨볼루션 작업을 수행하면 기능 맵의 크기가 원본 입력 이미지보다 훨씬 작습니다. , 직접 분류된 많은 기본 기능이 손실되어 분할 정확도에 영향을 미칩니다.

업샘플링 프로세스는 Skip 전략을 채택합니다.

알고리즘 프로세스

깊은 데이터와 얕은 정보를 결합한 다음 원본 이미지의 출력을 복원하여 보다 정확한 분할 결과를 얻습니다.

다양한 풀링 레이어에 따라 다음과 같이 나뉩니다.

FCN-32s 모델 분할 결과

다양한 수준의 기능 맵

컨볼루션: 7회

FCN-16 모델 분할 결과

풀링: 4회 - Pool4 레이어

이중선형 보간 방법--Conv7

융합 후 업샘플링 분류

FCN-8s 모델 분할 결과

풀링: 3회 - Pool3 레이어

이중선형 보간법 - Conv7 레이어, Pool4 레이어

융합 후 업샘플링 분류

FCN-8s: 더 많은 특징 정보 레이어를 통합하고 분할하여 보다 명확한 윤곽 정보를 얻으며 분할 효과가 상대적으로 좋습니다.

알고리즘 평가

픽셀 수준에서 이미지를 분류하고 이미지 의미 분할 문제를 효과적으로 해결할 수 있습니다.

모든 크기의 이미지를 입력할 수 있습니다.

최초의 엔드투엔드 분할 네트워크 모델

불충분하다

네트워크가 상대적으로 크기 때문에 이미지의 세부 정보에 충분히 민감하지 않습니다.

픽셀 간의 상관 관계가 낮습니다. 대상 경계가 흐려집니다.

피라미드 장면 분석 네트워크 PSPNet(피라미드 장면 분석 네트워크) - 이미지 의미 분할

알고리즘적 사고

상황별 정보를 통합하고, 글로벌 기능에 대한 사전 지식을 최대한 활용하고, 다양한 장면을 분석하고, 장면 대상의 의미론적 분할을 달성합니다.

알고리즘 프로세스

1. 입력 이미지가 주어지면

2.CNN: 컨볼루션 레이어 기능 맵 가져오기

3. 피라미드 풀링 모듈: 다양한 하위 구간의 특징을 수집합니다.

4. 업샘플링

5. 각 하위 영역의 기능을 연결하고 융합합니다.

6. 로컬 및 글로벌 컨텍스트 정보를 포함하는 형상 표현을 형성합니다.

7. 특징 표현의 컨볼루션 및 SoftMax 분류

8. 각 픽셀에 대한 예측 결과

알고리즘 평가

장면 구문 분석 및 의미론적 분할 작업의 경우 - 적절한 전역 특징 추출 가능

피라미드 풀링 모듈을 사용하여 로컬 정보와 글로벌 정보를 함께 융합

적당한 감독 손실에 대한 최적화 전략 제안

단점: 대상 간의 폐색 처리가 이상적이지 않습니다.

DeepLab 시리즈 모델 - 심층 신경망 모델, 이미지 의미론적 분할

알고리즘의 핵심: 아트러스 컨볼루션(컨볼루션 커널을 재킹하는 방법) 사용

특성 응답을 계산할 때 응답의 분해능을 명시적으로 제어합니다.

컨볼루션 커널의 수용 필드 확장

매개변수 및 계산량을 늘리지 않고 더 많은 기능 정보를 통합합니다.

개발 경로

최초의 DeepLab 모델

알고리즘 설명

입력 이미지

아트러스 컨볼루셔널 레이어가 있는 DCNN(심층 컨벌루션 신경망)으로 처리 - 대략적인 채점 맵

이중선형 보간 업샘플링

완전히 연결된 조건부 무작위 필드(CRF) 소개

출력 이미지

알고리즘 평가

대상 가장자리 픽셀을 보다 정확하게 분류하기 위해 전역 정보를 완전히 고려합니다.

잡음 간섭을 제거하고 분할 정확도를 향상시킵니다.

DeepLab-v2 모델

Atrous를 다공성 공간 피라미드 풀링(ASPP) 모듈로 확장

캐스케이드, 다중 스케일 아트러스 컨볼루션 레이어 및 기능 맵 융합

후처리로 완전히 연결된 CRF를 유지합니다.

DeepLab-v3 모델

컨볼루션 풀링: 이미지 크기가 4배 감소했습니다.

3 블록 모듈 컨볼루션: 이미지 8배 감소

선형 정류 기능(ReLU): 이미지를 16배로 축소

풀링: 이미지 16배 감소

Block4 처리

ASPP 모듈: 다양한 다공성 컨볼루션 융합(잭 수 속도=6, 12, 18)

1*1 컨볼루션 레이어와 글로벌 풀링 레이어 통합: 피처 맵이 16배 감소

분류 예측: 분할 맵

DeepLad-v3 모델 인코딩 및 디코딩 구조

알고리즘 설명

코딩부분 : DeepLab-v3 모델

디코딩 부분 입력

DCNN의 얕은 특징 맵

컨벌루션 후 ASPP 융합 기능 맵

디코딩 모듈

컨볼루션: 얕은 특징 맵 입력

Fusion: 업샘플링된 ASPP 기능 맵

출력: 컨볼루션 및 업샘플링된 원본 크기 분할 맵

알고리즘 평가

전경 타겟과 배경을 명확하게 구분

대상 가장자리가 명확하게 정의됩니다.

이 모델은 세분화된 세분화를 가능하게 합니다.

마스크 R-CNN--이미지 인스턴스 분할

유래: Faster R-CNN 기반

알고리즘 설명

알고리즘 프레임워크

첫 번째 단계:

지역 제안 네트워크(RPN) - 후보 대상 경계 프레임워크 제안

경계 상자의 콘텐츠(RoI)는 RoIAlign에 의해 처리됩니다. RoI는 m*m개의 하위 영역으로 나뉩니다.

두 번째 단계:

예측 클래스 및 경계 상자 회귀 작업과 병행하여 각 RoI에 대한 바이너리 마스크를 출력하는 분기를 추가합니다. 즉, FCN은 각 RoI를 분할하고 픽셀 대 픽셀 방식으로 분할 마스크를 예측하는 데 사용됩니다.

훈련 단계: 다중 작업 손실 제약 조건 L 사용

L=대상 분류 손실, 탐지 작업 손실, 인스턴스 분할 손실

알고리즘 평가

의미론적 분할을 기반으로 인스턴스 분할이 실현됩니다. 즉, 전경 대상을 정확하게 감지하고 위치를 지정하여 유사한 대상의 서로 다른 개인을 구별합니다.

의미론적 분할: 이미지에 존재하는 콘텐츠와 위치 식별

인스턴스 세분화: 의미론적 세분화를 기반으로 동일한 카테고리에 속한 서로 다른 개인을 구별합니다.

더 높은 분할 정확도

모델이 더 유연해졌습니다.

다양한 컴퓨터 비전 작업에 사용할 수 있습니다.

대상 분류

표적 탐지

인스턴스 분할

인간 자세 인식

... ...

성능 분석 비교 및 요약

성능 분석

딥 러닝 세분화 데이터 세트:

파스칼 VOC

마이크로소프트COCO

도시 풍경

정성적 분석

정량분석

의미적 분할: 평균 교차 및 합집합 비율 mIoU은 두 집합의 교차 및 합집합 비율을 나타냅니다. 의미적 분할에서는 실제 값과 예측 값의 집합을 나타냅니다.

인스턴스 분할: 총 픽셀에 대해 올바르게 분류된 픽셀의 비율을 나타내는 픽셀 정확도 PA

요약하다

현상 유지:

이미지 분할은 컴퓨터 비전 작업에서 점점 더 많이 사용되고 있습니다.

정확도와 속도가 크게 향상되었습니다.

문제:

분할 데이터 세트 부족 및 과도한 주석 작업

작은 크기의 목표 분할은 충분히 정확하지 않습니다.

분할 알고리즘은 계산적으로 복잡합니다.

실시간 대화형 세분화를 달성할 수 없어 세분화 기술의 구현, 적용 및 홍보를 방해합니다.