Académique Documents
Professionnel Documents
Culture Documents
Introduzione
Segmentazione: processo di partizionamento
unimmagine in regioni disgiunte e omogenee.
di
Image segmentation
Slide: Lazebenik
Segmentazione
Consiste nel partizionamento di una immagine in regioni
omogenee sulla base di un certo criterio di appartenenza
dei pixel ad una regione
Obiettivo: individuare/riconoscere
compongono limmagine
gli
oggetti
che
Regioni
Le regioni in cui limmagine viene suddivisa devono
soddisfare alcune propriet:
DISTINCT
Nessun pixel condiviso da due regioni
COMPLETE
Tutti i pixel dell immagine sono assegnati ad almeno una
regione della partizione
CONNECTED
Tutti i pixel appartenenti ad una regione sono connessi
HOMOGENEOUS
Tutte le regioni sono omogenee rispetto ad un criterio fissato
(e.g. intensit, colore, texture, ecc..)
R.
i 1
Esempi
8-connesso
Rl
Landscape Image Segmentation
4-connesso
Esempi
Skin Segmentation
superpixels
image
human segmentation
Slide: Lazebenik
Visual Perception
primo stadio dellelaborazione dellinformazione che si
conclude con la Percezione:
Percezione-Riconoscimento
Human Visual Perception (Pre-Attemptive) is governed by Gestalt Principles
Figura e Sfondo
IL RAPPORTO TRA FIGURA E SFONDO permette di
leggere limmagine, attraverso la separazione della figura
dallo sfondo. Gli elementi dominanti sono percepiti come
figura, il resto percepito come sfondo.
il faro spicca maggiormente e
quindi viene catalogata come
figura
mentre
le
linee
orizzontali
celesti
sono
percepite come sfondo.
Prossimit
Le colonne e le righe
dominano la nostra focale.
Tendiamo ad identificare come
gruppi le features che sono
vicine tra loro. Questa legge
da tenere in considerazione
quando limmagine gioca un
ruolo importante nellabilit di
interpretare il messaggio che
si nasconde dietro.
La figura A, a dimostrazione di
questa legge, non viene vista
come un insieme di righe ma
piuttosto come un insieme di
colonne.
figura A
Chiusura
Il nostro occhio tende a completare gli spazi vuoti e le
forme non chiuse. Noi tendiamo a vedere le immagini
complete persino quando una parte dellinformazione
mancante.
occlusion
subjective contours
familiar configuration
http://en.wikipedia.org/wiki/Gestalt_psychology
Slide: Lazebenik
Continuazione
Lorganizzazione della percezione porta
proseguire lungo una linea retta o una curva.
a
lo
sguardo
c
d
distinguiamo due linee: una da a a c e una da b a d.
In realt questo grafico potrebbe rappresentare un altro
insieme di linee: da a a d e da b a c. Tuttavia, pi probabile
che si tenda ad identificare il primo gruppo di queste linee che
hanno una migliore continuazione rispetto al secondo dove
presente un ovvia torsione.
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
10
Similarit
Elementi visivi simili vengono
raggruppati sulla base della forma,
della grandezza, del colore o della
direzione.
I cerchi e i quadrati sono
raggruppati in maniera naturale;
percepiamo colonne alternate di
cerchi e quadrati.
Se non fossero presenti le due
caratteristiche
ricorrenti
percepiremmo la figura come righe
o colonne
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Parallelismo
Linee parallele tendono ad essere raggruppate
insieme
11
Regione Comune
Figure posizionate allinterno della stessa
regione chiusa tendono ad essere percepite
insieme
Simmetria
Percepire lintero di una figura rispetto alle parti singole
che la costituiscono
12
http://en.wikipedia.org/wiki/Gestalt_psychology
Emergence
http://en.wikipedia.org/wiki/Gestalt_psychology
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Slide: Lazebenik
13
Gestalt factors
Slide: Lazebenik
sono
Gestalt Principles
Stategie di
Segmentazione
Figure/Sfondo
Tresholding
Prossimit, Similarit
Continuit e Chiusura
Morphological Methods
Similarit
Statistical Methods
Continuit e chiusura
Edge-Detection Based
14
Strategie di segmentazione
Nel corso degli anni sono state sviluppate
svariate tecniche di segmentazione. Tuttavia
una soluzione generale al problema non stata
trovata. Alcune delle principali strategie di
segmentazione sono:
Edge-based;
Thresholding;
Region Merging;
Region Splitting and Merging.
Esempio di immagine
segmentata con un
approccio
edgebased.
15
Max Intensity
16
17
18
Ruolo dellilluminazione
19
Esempio
T= (1+ 2)
20
Esempio
Metodo di Otsu
Tecnica automatica di selezione della soglia T.
Il metodo massimizza la varianza inter-classe;
E basato solo su operazioni effettuate
sullistogramma dellimmagine (vettore 1-D).
21
L 1
i k 1
1 P1 (k )
i 0
In maniera simile si
L 1
ricava:
m2 ( k )
P(C1 )
i k 1
ip
P1 (k ) i 0
L 1
iP(i / C ) P (k ) ip
2
i k 1
m(k ) ip i
i 0
mG ip i
i 0
22
s G2
s G2 (i mG ) 2 pi
i 0
e s
2
B
varianza inter-classe:
s B2 P1 (m1 mG ) 2 P2 (m2 mG ) 2
(mG P1 m) 2
P1 (1 P1 )
s B2 (k*) max s B2 (k )
0 k L 1
23
24
Lapplicazione di una
maschera di smoothing
ha
sempliicato
la
segmentazione
rendendo listogramma
bimodale
25
Region Merging
A partire da un pixel detto seed si agglomerano
ad esso i pixel a lui vicini che soddisfano un
certo criterio di omogeneit formando cos una
regione.
Combinando successivi processi di growing, o
procedendo con growing simultaneo da pi
seed, si ottiene la segmentazione dellintera
immagine.
26
Region Growing
Ad ogni istante viene preso in considerazione un pixel che
non stato ancora allocato ma che adiacente ad almeno
una regione; il pixel allocato alla regione adiacente che
risulta pi simile secondo il criterio scelto.
R1
R2
R3
R4
R4
Pixel considerato
27
Esempio
115
115
115
129
129
115
115
115
129
129
115
115
115
129
129
115
115
115
129
129
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
115
115
115
129
129
115
115
115
129
129
115
115
115
129
129
115
115
115
129
129
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
117
117
117
10
10
Seeds = 4
28
29
Segmentation as clustering
Source: K. Grauman
Segmentation as clustering
K-means clustering based on intensity or
color is essentially vector quantization of the
image attributes
Clusters dont have to be spatially coherent
Image
Intensity-based clusters
Color-based clusters
Slide: Lazebenik
30
Segmentation as clustering
Source: K. Grauman
Segmentation as clustering
Clustering based on (r,g,b,x,y) values enforces
more spatial coherence
Slide: Lazebenik
31
Cons
Memory-intensive
Need to pick K
Sensitive to initialization
Sensitive to outliers
Only finds spherical
clusters
Slide: Lazebenik
http://www.caip.rutgers.edu/~comanici/MSPAMI/msPamiResults.html
Slide: Lazebenik
32
Feature space
(L*u*v* color values)
Slide: Lazebenik
Mean shift
Search
window
Center of
mass
Mean Shift
vector
33
Mean shift
Search
window
Center of
mass
Mean Shift
vector
Mean shift
Search
window
Center of
mass
Mean Shift
vector
Slide
by Y. Ukrainitz
& B. Sarel
Computer
Vision 2011-2012
- Prof. Sebastiano Battiato
34
Mean shift
Search
window
Center of
mass
Mean Shift
vector
Mean shift
Search
window
Center of
mass
Mean Shift
vector
35
Mean shift
Search
window
Center of
mass
Mean Shift
vector
Mean shift
Search
window
Center of
mass
36
Slide: Lazebenik
37
http://www.caip.rutgers.edu/~comanici/MSPAMI/msPamiResults.html
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Slide: Lazebenik
More results
Slide: Lazebenik
38
More results
Slide: Lazebenik
Cons
Output depends on window size
Computationally expensive
Does not scale well with dimension of feature space
Slide: Lazebenik
39
Images as graphs
j
wij
Source: S. Seitz
Source: S. Seitz
40
Measuring affinity
Suppose we represent each pixel by a
feature vector x, and define a distance
function appropriate for this feature
representation
Then we can convert the distance between
two feature vectors into an affinity with the
help of a generalized Gaussian kernel:
Slide: Lazebenik
Slide: Lazebenik
41
Graph cut
Source: S. Seitz
Minimum cut
We can do segmentation by finding the
minimum cut in a graph
Slide: Lazebenik
42
Minimum cut
We can do segmentation by finding the
minimum cut in a graph
Slide: Lazebenik
Normalized cut
Drawback: minimum cut tends to cut off very
small, isolated components
Cuts with
lesser weight
than the
ideal cut
Ideal Cut
43
Normalized cut
Drawback: minimum cut tends to cut off very
small, isolated components
This can be fixed by normalizing the cut by
the weight of all the edges incident to the
segment
The normalized cut cost is:
w( A, B) w( A, B)
w( A,V ) w( B,V )
w(A, B) = sum of weights of all edges between A and B
Example result
44
Challenge
How to segment images that are a mosaic of
textures?
Slide: Lazebenik
J. Malik, S. Belongie, T. Leung and J. Shi. "Contour and Texture Analysis for
Image Segmentation". IJCV 43(1),7-27,2001.
Slide: Lazebenik
45
J. Malik, S. Belongie, T. Leung and J. Shi. "Contour and Texture Analysis for
Image Segmentation". IJCV 43(1),7-27,2001.
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Slide: Lazebenik
J. Malik, S. Belongie, T. Leung and J. Shi. "Contour and Texture Analysis for
Image Segmentation". IJCV 43(1),7-27,2001.
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Slide: Lazebenik
46
Slide: Lazebenik
Example results
47
http://www.cs.berkeley.edu/~fowlkes/BSE/
Computer Vision 2011-2012 - Prof. Sebastiano Battiato
Cons
48
Slide: Lazebenik
Top-down segmentation
Slide: Lazebenik
49
Top-down segmentation
Normalized
cuts
Top-down
segmentation
50