Рост региона

Увеличение региона на основе региона — это простой метод сегментации изображения . Его также классифицируют как метод сегментации изображения на основе пикселей, поскольку он включает в себя выбор начальных исходных точек .

Этот подход к сегментации исследует соседние пиксели начальных исходных точек и определяет, следует ли добавлять соседей пикселей в область. Процесс повторяется так же, как и общие алгоритмы кластеризации данных . Общее обсуждение алгоритма увеличения региона описано ниже.

Сегментация по регионам

Основная цель сегментации — разделить изображение на регионы. Некоторые методы сегментации, такие как определение порога, достигают этой цели, определяя границы между областями на основе разрывов в оттенках серого или свойствах цвета . Сегментация на основе региона — это метод прямого определения региона. Основная формулировка такова: ^[1]

(a){\text{ }}\bigcup _{i=1}^{n}{R_{i}=R.}

(b){\text{ }}R_{i}{\text{ is a connected region}},{\text{ i}}={\text{1}},{\text{ 2}},{\text{ }}...,{\text{n}}

(c){\text{ }}R_{i}\bigcap R_{j}=\varnothing ,i\neq j

(d){\text{ }}P(R_{i})=\mathrm {TRUE} {\text{ for }}i=1,2,...,n.

(e){\text{ }}P(R_{i}\bigcup R_{j})=\mathrm {FALSE} {\text{ for any adjacent region }}R_{i}{\text{ and }}R_{j}.

P(R_{i})

— логический предикат, определенный для точек множества

R_{i}

и

\varnothing

это нулевой набор.

(а) означает, что сегментация должна быть полной; то есть каждый пиксель должен находиться в определенной области.

(б) требует, чтобы точки в регионе были связаны в некотором заранее определенном смысле.

(c) указывает на то, что регионы должны быть непересекающимися.

(г) имеет дело со свойствами, которым должны удовлетворять пиксели в сегментированной области. Например, $P(R_{i})={\text{TRUE}}$ если все пиксели в $R_{i}$ имеют одинаковые оттенки серого.

(e) указывает на этот регион $R_{i}$ и $R_{j}$ различны в смысле предиката $P$ .

Основная концепция исходных точек

Первым шагом в выращивании региона является выбор набора исходных точек. Выбор исходной точки основан на каком-либо пользовательском критерии (например, пиксели в определенном диапазоне оттенков серого, пиксели, равномерно расположенные на сетке и т. д.). Начальная область начинается с точного местоположения этих семян.

Затем регионы увеличиваются от этих исходных точек до соседних точек в зависимости от критерия принадлежности региона. Критерием может быть, например, интенсивность пикселей, текстура в оттенках серого или цвет.

Поскольку регионы выращиваются на основе критерия, важна сама информация об изображении. Например, если бы критерием было пороговое значение интенсивности пикселей, было бы полезно знать гистограмму изображения , поскольку ее можно было бы использовать для определения подходящего порогового значения для критерия принадлежности к региону.

можно использовать 4-связное соседство Для роста из начальных точек . Альтернативой отношениям соседства пикселей является 8-связное соседство . Пиксели, прилегающие к исходным точкам, проверяются и классифицируются как исходные точки, если они имеют одинаковое значение интенсивности. Это повторяющийся процесс до тех пор, пока на двух последовательных итерационных этапах не останутся изменения. Могут быть выбраны другие критерии; основная цель — классифицировать сходство изображения по регионам.

Цели сегментации

Основная цель сегментации — разделить изображение на отдельные и семантически значимые области. Предыдущие разделы этого дискурса исследовали различные методологии, такие как обнаружение границ и определение порогов, для достижения этой цели. Однако выращивание регионов представляет собой альтернативный подход, фокусирующийся на непосредственном выявлении и расширении регионов из обозначенных исходных точек, тем самым предлагая тонкий взгляд на область сегментации изображений.

Методика выращивания региона

Увеличение региона представляет собой сложный алгоритмический метод, используемый для группировки пикселей или субрегионов в более крупные, согласованные регионы на основе заранее определенных критериев. Этот итерационный процесс начинается с исходных точек, стратегически расположенных внутри изображения. Эти семена служат основой для расширения региона, поскольку соседние пиксели, которые удовлетворяют заданным критериям сходства, таким как интенсивность или цветовой диапазон, постепенно ассимилируются в растущую область, тем самым очерчивая сплоченные границы.

Выбор точки посева

Выбор подходящих исходных точек является важнейшим аспектом роста региона, существенно влияющим на эффективность и точность процесса сегментации. Начальные точки можно выбирать на основе предварительных знаний о предметной области или вычислять динамически путем анализа свойств пикселей. В сценариях, где предварительная информация отсутствует, свойства вычисляются для каждого пикселя с кластерами значений, указывающими на потенциальные исходные точки. Пиксели, проксимальные к этим центроидам кластера, часто считаются подходящими в качестве исходных точек.

Критерии сходства

Выбор и определение критериев сходства имеют первостепенное значение для управления процессом роста региона. Выбор критериев зависит от конкретной области задачи и характеристик рассматриваемых данных изображения. Например, в таких приложениях, как анализ спутниковых изображений землепользования, цвет может служить ключевым фактором, определяющим разграничение региона, тогда как в монохромных изображениях интенсивность и пространственные свойства приобретают большее значение.

Вопросы подключения

Обеспечение связности является фундаментальным аспектом роста региона, необходимым для получения значимых результатов сегментации. Пренебрежение соображениями связности может привести к образованию ложных областей, тем самым подрывая целостность и полезность процесса сегментации. Механизмы связности облегчают согласованное агрегирование пикселей в значимые области, тем самым улучшая интерпретируемость и применимость результатов сегментации.

Правило остановки

Установление надежных правил остановки крайне важно для управления прекращением процесса роста региона. Хотя локальные критерии, такие как интенсивность, текстура и цвет, играют ключевую роль в остановке роста региона, дополнительные параметры, такие как размер, сходство с выросшими пикселями и форма региона, способствуют уточнению результатов сегментации. Эти правила остановки гарантируют, что рост региона прекращается, как только предопределенные критерии включения в регион больше не удовлетворяются, тем самым способствуя получению точных и значимых результатов сегментации.

Алгоритм роста региона

Базовый алгоритм роста региона, основанный на 8-связности, можно резюмировать следующим образом:

Найдите все связные компоненты в исходном массиве S(x, y) и сократите каждый связный компонент до одного пикселя, пометив все такие пиксели как 1. Все остальные пиксели в S помечены 0.
Сформируйте изображение fo такое, что в паре координат (x, y) fo(x, y) = 1, если входное изображение удовлетворяет заданному предикату Q в этих координатах; в противном случае fo(x, y) = 0.
Пусть g — изображение, сформированное путем добавления к каждой исходной точке в S всех 1-значных точек в fo, которые 8-связны с этой исходной точкой.
Пометьте каждый связный компонент в g меткой другого региона (например, 1, 2, 3, ...). Это сегментированное изображение, полученное путем увеличения региона.

Важные вопросы

Подходящий выбор точек посева

Выбор исходных точек зависит от пользователей. Например, в изображении молнии в оттенках серого мы можем захотеть отделить молнию от фона. Тогда, вероятно, мы сможем изучить гистограмму и выбрать начальные точки из ее самого высокого диапазона.

Больше информации об изображении лучше

Очевидно, что информация о связности или соседстве пикселей полезна для определения порога и начальных точек.

Минимальный порог площади

Ни одна область в результате метода увеличения области не будет меньше этого порога в сегментированном изображении.

Пороговое значение сходства

Если разница значений пикселей или разница средних значений оттенков серого набора пикселей меньше «Порогового значения сходства», регионы будут считаться одним и тем же регионом.

Важны также критерии сходства или так называемой однородности, которые мы выбираем. Обычно это зависит от исходного изображения и желаемого результата сегментации. ^[2]

Некоторыми часто используемыми критериями являются оттенки серого (средняя интенсивность или дисперсия), цвет и текстура или форма.

Преимущества и недостатки

Преимущества

Может правильно разделить регионы, имеющие те же свойства, которые мы определили.
Может предоставить исходные изображения с четкими краями и хорошими результатами сегментации.
Простая концепция: нужно лишь небольшое количество исходных точек, чтобы представить желаемую собственность, а затем развивать регион.
Может определить исходные точки и критерии, которые мы хотим создать.
Можно выбрать несколько критериев одновременно.
Теоретически очень эффективно, поскольку каждый пиксель посещается ограниченное количество раз.

Недостатки

Если к изображению не применена пороговая функция, может существовать непрерывный путь точек, связанных с цветом, который соединяет любые две точки на изображении.
Практически произвольный доступ к памяти замедляет работу алгоритма, поэтому может потребоваться адаптация.

См. также

Примечания

^ Пал, Нихил Р; Пал, Санкар К. (1993). «Обзор методов сегментации изображений». Распознавание образов . 26 (9): 1277–1278. Бибкод : 1993PatRe..26.1277P . дои : 10.1016/0031-3203(93)90135-J .
^ Адуи, Мохаммед Эль; Дрисис, Стилианос; Бенджеллун, Мохаммед (21 июля 2017 г.). Анализ гетерогенности опухоли молочной железы для прогнозирования ответа на химиотерапию с использованием регистрации 3D-МР-изображений . АКМ. стр. 56–63. дои : 10.1145/3128128.3128137 . ISBN 9781450352819 . S2CID 24873901 .

Ссылки

Цзянь-Цзюнь Дин, курс « Частотно-временной анализ и вейвлет-преобразование », факультет электротехники, Национальный тайваньский университет (NTU), Тайбэй, Тайвань, 2007 г.
Цзянь-Цзюнь Дин, курс « Усовершенствованной цифровой обработки сигналов », факультет электротехники, Национальный тайваньский университет (NTU), Тайбэй, Тайвань, 2008 г.
У.К. Пратт, Цифровая обработка изображений, 4-е издание , John Wiley & Sons, Inc., Лос-Альтос, Калифорния, 2007 г.
М. Петру и П. Босдогианни, «Основы обработки изображений» , Wiley, Великобритания, 2004 г.
Р. К. Гонсалес и Р. Э. Вудс, Цифровая обработка изображений, 2-е издание , Прентис-Холл, Нью-Джерси, 2002 г.

[1] Пал, Нихил Р; Пал, Санкар К. (1993). «Обзор методов сегментации изображений». Распознавание образов . 26 (9): 1277–1278. Бибкод : 1993PatRe..26.1277P . дои : 10.1016/0031-3203(93)90135-J .

[2] Адуи, Мохаммед Эль; Дрисис, Стилианос; Бенджеллун, Мохаммед (21 июля 2017 г.). Анализ гетерогенности опухоли молочной железы для прогнозирования ответа на химиотерапию с использованием регистрации 3D-МР-изображений . АКМ. стр. 56–63. дои : 10.1145/3128128.3128137 . ISBN 9781450352819 . S2CID 24873901 .

[1]

[2]