Professional Documents
Culture Documents
Llethi 05 Segmentation VN
Llethi 05 Segmentation VN
Phân vùng
Thi-Lan Le
(lan.lethi1@hust.edu.vn)
SET, HUST
1. Phân vùng ảnh
Mục tiêu: Phân tách ảnh thành từng vùng mỗi vùng
tương ứng với một đối tượng
4 24-Oct-17
1. Phân vùng ảnh
Một số khái niệm
Oversegmentation Undersegmentation
Sự thay đổi đột ngột giữa các đường biên của các vùng
Tính chất liên tục/đồng nhất: vùng
Có sự tương tự về màu sắc, kết cấu, cường độ mức xám
Một cạnh đóng tương ứng với một vùng
Phần vùng là chia một ảnh thành các vùng/các biên
9
2. Các cách tiếp cận của phân vùng ảnh
Cách tiếp cận theo vùng
Tìm sự đồng nhất của các vùng trong ảnh
10
3. Phân vùng dựa trên ngưỡng
Phân vùng dựa trên ngưỡng là phương pháp phân
vùng đơn giản và phổ biến
Đây không phải là cách tiếp cận theo vùng hoặc theo
biên tiếp cận mức điểm ảnh
Thường phải có bước hậu xử lý sau đó
Ngưỡng có thể được lựa chọn:
Toàn cục (Global): một ngưỡng duy nhất cho toàn bộ ảnh
Cục bộ (Local): một ngưỡng xác định cho 1 vùng của ảnh
Thích nghi (Adaptive): một ngưỡng được lựa chọn cho từng
điểm ảnh
11
3. Phân vùng dựa trên ngưỡng
Ý tưởng chính:
IF value(pixel) >= threshold THEN value(pixel) = 1
IF value(pixel) < threshold THEN value(pixel) = 0
12
3. Phân vùng dựa trên ngưỡng
Ngưỡng dựa trên phân bố
1 if f(x,y) T
g ( x, y )
0 if f(x,y) T
13
Source : http://www.gpa.etsmtl.ca/cours/gpa669/
3. Phân vùng dựa trên ngưỡng
14
3. Phân vùng dựa trên ngưỡng
Ưu điểm
Đơn giản, nhanh
Nhược điểm
Biết trước số lớp
Các vùng không phù hợp sẽ xuất
hiện (không có ràng buộc về không
gian)
15
3. Phân vùng dựa trên ngưỡng
16
3. Phân vùng dựa trên ngưỡng
2 if f(x,y)>T2
g ( x, y ) 1 if f(x,y) T2 f ( x, y ) T1
0 if f(x,y) T
1
17
3. Phân vùng dựa trên ngưỡng
18
3. Phân vùng dựa trên ngưỡng
Giải thuật:
Bước 1: Khởi tạo giá trị T (trung bình, điểm giữa, …)
Bước 2: Xác định 2 nhóm điểm ảnh
C1 nếu f(x,y) > T và C2 nếu f(x,y) T
Bước 3: Tính trung bình về mức xám của C1 và C2 -> μ1 và μ2
Bước 4:Tính giá trị mới của T
T = 1/2 (μ1 + μ2)
Lặp lại Bước 2 cho đến khi T ổn định
Các giải thuật khác (k-means).
Không có giải thuật duy nhất cho tất cả các ứng dụng
Bài tập: Viết một hàm trên Python cho phép xác định
ngưỡng tự động của một ảnh theo giải thuật trên.
19
3. Phân vùng dựa trên ngưỡng
Xác định tự động ngưỡng dựa trên phương pháp Otsu.
Là phương pháp được đề xuất 1979 bởi Nobuyuki Otsu
"A threshold selection method from gray-level
histograms". IEEE Trans. Sys. Man. Cyber. 9 (1): 62–66.
doi:10.1109/TSMC.1979.4310076
Dựa trên biểu đồ tần suất
Mục đích: tối đa sự sai khác giữa các lớp (sự tối thiểu
trong cùng 1 lớp)
3. Phân vùng dựa trên ngưỡng
Biểu đồ tần suất chuẩn hóa:
Giá trị trung bình của các điểm ảnh thuộc vào C1:
3. Phân vùng dựa trên ngưỡng
Giá trị trung bình của các điểm ảnh thuộc vào C1:
0 0 1 4 4 5
0 1 3 4 3 4
1 3 4 2 1 3
4 4 3 1 0 0
5 4 1 1 0 0
5 5 4 3 2 0
3. Phân vùng dựa trên ngưỡng
Vấn đề của ngưỡng toàn cục: Không hiệu quả khi có sự
thay đổi về ánh sáng
28
3. Phân vùng dựa trên ngưỡng
29
3. Phân vùng dựa trên ngưỡng
Chia một ảnh thành các ảnh nhỏ và lựa chọn ngưỡng cho
từng ảnh
Trước khi chia, kiểm tra giá trị phương sai để xác định ảnh
được chia có ít nhất 2 vùng
Ví dụ: nếu variance<100 thì không xác định ngưỡng
30
3. Phân vùng dựa trên ngưỡng
Tất cả 4 vùng ảnh trong 4 góc không cần xác định ngưỡng vì
variance<100
31
3. Phân vùng dựa trên ngưỡng
32
3. Phân vùng dựa trên ngưỡng
33
4. Phân vùng dựa trên k-means
34
Source : Christelle Scharff, Pace Univ. www.csis.pace.edu/~scharff/DMIFI/cluster9.ppt
4. Phân vùng dựa trên k-means
36
4. Phân vùng dựa trên k-means
Source : D.A. Forsyth and J. Ponce. Computer Vision : A Modern Approach. Prentice-Hall, 2002 .
37
4. Phân vùng dựa trên k-means
38
4. Phân vùng dựa trên k-means
39
4. Phân vùng dựa trên k-means
Các phương pháp phân đoạn dựa trên ngưỡng chủ yếu
dựa trên điểm ảnh
Không đưa ra được các vùng liên thông
40
4. Phân vùng dựa trên chia và hợp (split and
merge)
Chia (bước1)
Chia đệ quy các vùng không đồng nhất theo
một tiêu chuẩn nào đó (phương sai,
max,min) thành các vùng nhỏ hơn
Chia một vùng thành 4 vùng con
Tính chất của vùng con được tính toán
Kết hợp (bước 2)
Gộp các vùng đồng nhất lân cận nhau theo
một tiêu chuẩn nào đó
41
4. Phân vùng dựa trên chia và hợp
Bước chia:
Ảnh có thể biểu diễn thành 1 cây
Nút gốc là toàn bộ ảnh
Đồng nhất được tính dựa trên phương sai hoặc chênh lệch giữa max vá min
Đầu vào
1
2
3
43
Source : Jean-Christophe Baillie, ENSTA, uei.ensta.fr/baillie/assets/ES322%20-
4. Phân vùng dựa trên chia và hợp
Cây tứ phân
44
4. Phân vùng dựa trên chia và hợp
45
4. Phân vùng dựa trên chia và hợp
46
5. Phân vùng dựa trên phát triển vùng
Giải thuật bắt đầu với 1 điểm ảnh và lựa chọn các điểm
ảnh lân cận theo tiêu chuẩn:
Phương sai nhỏ
Mức xác dưới 1 ngưỡng
Điểm ảnh khởi tạo được gọi là hạt giống
Vùng sẽ được phát triển từ hạt giống
Các hiểu biết về ảnh cần phân đoạn được sử dụng để lựa
chọn hạt giống tốt
47
5. Phân vùng dựa trên phát triển vùng
Bắt đầu từ một hạt giống và thêm các điểm ảnh lân cận theo một
tiêu chuẩn
Hạt giống được chọn thủ công hoặc tự động
Ví dụ: tự động lựa chọn hạt giống trong vùng có độ đồng nhất
cao
49
5. Phân vùng dựa trên phát triển vùng
50
6. Lời khuyên cho bài toán phân đoạn
Bài toán phân đoạn hiện tại vẫn chưa được giải quyết hoàn
chỉnh
Không có phương pháp chung cho tất cả các ảnh
Nếu ứng dụng cho phép tránh bài toán phân đoạn thì không
thực hiện phân đoạn
Các bước tiền xử lý, lựa chọn thiết bị, kiểm soát các điều
kiện về ánh sáng, môi trường phù hợp cho phép phân đoạn
thực hiện dễ và hiệu quả hơn
51
6. Lời khuyên cho bài toán phân đoạn
Đánh giá kết quả phân đoạn khó và không khách quan
Xác định mục đích của phân đoạn: Các thành phần mà
ta muốn nhìn thấy trong ảnh?
Vùng toàn cục hay các chi tiết nhỏ?
Xác định trước ứng dụng của kết quả phân đoạn
Cho phép xác định mức độ chính xác
52
Tài liệu tham khảo
Lecture: Clustering and Segmentation, Juan Carlos Niebles
and Ranjay Krishna, Stanford Vision and Learning Lab
https://towardsdatascience.com/metrics-to-evaluate-your-
semantic-segmentation-model-6bcb99639aa2