Områdessegmentering

Avståndssegmentering är uppgiften att segmentera (dela) en avståndsbild , en bild som innehåller djupinformation för varje pixel, i segment (regioner), så att alla punkter på samma yta tillhör samma region, det finns ingen överlappning mellan olika regioner och föreningen av dessa regioner genererar hela bilden .

Algoritmiska tillvägagångssätt

Det har funnits två huvudsakliga tillvägagångssätt för intervallsegmenteringsproblemet: regionbaserad intervallsegmentering och kantbaserad intervallsegmentering .

Regionbaserad intervallsegmentering

Regionbaserade intervallsegmenteringsalgoritmer kan ytterligare kategoriseras i två huvudgrupper: parametriska modellbaserade intervallsegmenteringsalgoritmer och regionväxande algoritmer.

Algoritmer för den första gruppen är baserade på att anta en parametrisk ytmodell och gruppera datapunkter så att alla kan betraktas som punkter på en yta från den antagna parametriska modellen (en instans av den modellen).

Regionodlande algoritmer börjar med att segmentera en bild i initiala regioner. Dessa regioner slås sedan samman eller utökas genom att använda en regiontillväxtstrategi. De initiala regionerna kan erhållas med olika metoder, inklusive iterativa eller slumpmässiga metoder. En nackdel med algoritmer i denna grupp är att de i allmänhet producerar förvrängda gränser eftersom segmenteringen vanligtvis utförs på regionnivå istället för pixelnivå.

Kantbaserad intervallsegmentering

Kantbaserade intervallsegmenteringsalgoritmer är baserade på kantdetektering och märkning av kanter med hjälp av hoppgränserna (diskontinuiteter). De använder en kantdetektor för att extrahera kanter från en intervallbild. När gränser har extraherats, klustras kanter med gemensamma egenskaper ihop. Ett typiskt exempel på kantbaserade intervallsegmenteringsalgoritmer presenteras av Fan et al. Segmenteringsproceduren börjar med att detektera diskontinuiteter med hjälp av nollgenomgångs- och krökningsvärden. Bilden segmenteras vid diskontinuiteter för att erhålla en initial segmentering. I nästa steg förfinas den initiala segmenteringen genom att anpassa kvadrater vars koefficienter beräknas baserat på Minsta kvadratmetoden . I allmänhet är en nackdel med kantbaserade intervallsegmenteringsalgoritmer att även om de producerar rena och väldefinierade gränser mellan olika regioner, tenderar de att skapa luckor mellan gränserna. Dessutom, för krökta ytor, är diskontinuiteter jämna och svåra att lokalisera och därför tenderar dessa algoritmer att undersegmentera intervallbilden. Även om problemet med segmenteringsbildsegmentering har studerats under ett antal år, är uppgiften att segmentera avståndsbilder av krökta ytor ännu inte löst på ett tillfredsställande sätt.

Se även

^ Bab-Hadiashar, A. och Gheissari, N., "Range Image Segmentation Using Surface Selection Criterion" , IEEE Transactions on Image Processing, 15(7), s. 2006–2018, 2006.
^ Jaklič, A. och Leonardis, A. och Solina, F. "Segmentering och återhämtning av Superquadrics" . Computational imaging and vision 20, Kluwer/Springer, 2000.
^ Faugeras, OD och Hebert, M., "Segmentation of Range Data into Planar and Quadratic Patches," Proceedings of IEEE conference on Computer Vision and Pattern Recognition, Arlington, VA, s. 8–13, juni 1983.
^ Medioni, G. och Parvin, B., "Segmentering av intervallbilder till plana ytor genom att dela och sammanfoga", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, s. 415–417, 1986.
^ Fan, TU, Medioni, G., och Nevatia, R., "Känner igen 3-D-objekt genom att använda ytbeskrivningar", IEEE-transaktioner på mönsterigenkänning och maskinintelligens, vol. 11, s. 1140–1157, nov, 1989.
^ Powell, MW, Bower, K., Jiang, X. och Bunke, H., "Comparing Curved-Surface Range Image Segmenters" Proceedings of 6th International Conference on Computer Vision (ICCV), Bombay, Indien, s. 286– 291, 1998.

externa länkar

[1] Bab-Hadiashar, A. och Gheissari, N., "Range Image Segmentation Using Surface Selection Criterion" , IEEE Transactions on Image Processing, 15(7), s. 2006–2018, 2006.

[2] Jaklič, A. och Leonardis, A. och Solina, F. "Segmentering och återhämtning av Superquadrics" . Computational imaging and vision 20, Kluwer/Springer, 2000.

[3] Faugeras, OD och Hebert, M., "Segmentation of Range Data into Planar and Quadratic Patches," Proceedings of IEEE conference on Computer Vision and Pattern Recognition, Arlington, VA, s. 8–13, juni 1983.

[4] Medioni, G. och Parvin, B., "Segmentering av intervallbilder till plana ytor genom att dela och sammanfoga", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, s. 415–417, 1986.

[5] Fan, TU, Medioni, G., och Nevatia, R., "Känner igen 3-D-objekt genom att använda ytbeskrivningar", IEEE-transaktioner på mönsterigenkänning och maskinintelligens, vol. 11, s. 1140–1157, nov, 1989.

[6] Powell, MW, Bower, K., Jiang, X. och Bunke, H., "Comparing Curved-Surface Range Image Segmenters" Proceedings of 6th International Conference on Computer Vision (ICCV), Bombay, Indien, s. 286– 291, 1998.