[CV 기초] #5 영상 분할

영상분할

• 컴퓨터 비전의 동작
  • 고품질의 영상 분할 작업이 필요( 영상 검색, 물체 추적, 얼굴 인식 등)
  • 현재는 분할 후 인식하는 순차 처리

 

단순한 영상의 세그먼테이션 예시

• 스캔한 책 영상 또는 컨베이어 벨트 위를 흐르는 물체의 영상

• 임계값을 이용한 영역 분할

• 픽셀이 많은 영역을 이용

• 적응형 임계화를 이용한 세그먼테이션

• MEAN_C : 주변 평균에 C를 빼줌
• GAUSSIAN_C : 가우시안 가중치에 C를 빼준 값을 사용

  

  참고

워터셰드

• 워터셰드 알고리즘 

• 미니멈이 유역의 시작점

• 워터셰드는 영상을 과돟게 분할한다는 단점이 있음
• 이미지가 분할이 되어 시드 값을 설정하여 주면 0은 시드값인 128 또는 255로 감

슈퍼 화소 분할

• 인접한 픽셀들 중 특징은 밝기나 색상 같은 특징이 비슷한 것 들 끼리 그룹 ( 슈퍼 화소 ) 

  

  

• 지금까지 분할 알고리즘은 지역적 명암 변화만 살피기 때문에 한계
• 전역적 정보를 고려하여 문제 해결

• 평균 위치와 평균 화소를 사용

• 유사도가 작으면 작을 수 록 좋은 분할
• 하지만 에지의 개수가 적을 수 록 cut이 작아지기 때문에 문제

• 하지만 이렇게 하면 분할 가능한 경우가 너무 많음

정규화 절단을 실행한 이미지

능동 외곽선

• 능동 외곽선

• 초기 값을 통해 이미지의 외곽선을 자동으로 바운더리 해주는 것을 목표

• 초기 윤곽선부터 시작, 애너지가 줄어드는 방향으로 이동, 애너지가 최소가 되는 곡선을 찾음
• E 이미지
  • 에지 강도가 크면 클 수록 작은 값을 가짐 ( 그래디언트 크기 )
  • 하지만 잡음에 민감함
• E 인터널
  • 곡률이 클 수록 큰 값을 가짐 ( 좌표의 변화율 = 1차미분, 곡률 = 2차 미분 )
  • 경계가 매끄럽다는 전제 하에
• E 콘스트 레인트
  • 사용자가 지정한 모양을 반영

• X좌표와 Y의 좌표를 미분 = 변화율
• 변화율을 미분 = 곡률

 

그래프 절단

• 네트워크 흐름과 영상 분할이 연관, 포화된 에지를 절단

• 배경은 높은 유사도를 주고 물체에 해당되는 부분은 낮은 유사도를 줌
• 서로 완전하게 반대 되는 유사도를 줌

그랩컷 참고 이미지