21-06-2010, 09:56 PM
Maturski, seminarski i diplomski radovi iz informatike.
Segmentacija je postupak deobe slike na njene sastavne delove i objekte i najvažniji je korak prilikom automatske obrade slike.
Segmentacija slike se bavi dekompozicijom slike u skup regija koje se ne preklapaju, a čija unija daje celu sliku.
Svrha segmentacije je da rastavi sliku na delove na način koji ima smisla u određenoj aplikaciji.
Npr. kod prepoznavanja delova segmentacija treba rastaviti sliku na objekat i njegovu pozadinu.
Segmentacija složenih slika može biti veliki problem i ne može se rešiti “jednostavnim” metodama.
Jedan od načina segmentacije takvih slika je segmentacija pomoću neuronskih mreža.
Neuronske mreže:
-nelinearne mreže koje pokušavaju da imitiraju funkcije mozga
-sastoje se od međusobno povezanih matematičkih modela neurona
-koristi se proces učenja da bi se odredili nepoznati parametri (ai,b) mreže tako da se dobije željeni odziv
-algoritmi za učenje su složeni i ima ih nekoliko.
Izbor vrste neuronske mreže –
• postoji više vrsta mreža s obzirom na topologiju, matematičke funkcije u neuronima i algoritme učenja;
• “feed-forward“ mreže (nema povratne veze,perceptron,radial basis function mreža);
• mreže sa povratnom vezom (Hopfield-ova mreža,Boltzman-ova mreža).
• učenje pod nadzorom- supervised learning (perceptron,radial basis function mreže,Boltzman-ova mreža)
• samostalno učenje- unsupervised learning (Hopfield-ova mreža)
Ne postoji pravilo za izbor ni vrste niti topologije neuronske mreže.
Teško je definisati šta je to smislena segmentacija – zato se u praksi obično traži da:
• Regije trebaju biti homogene s obzirom na neko svojstvo
• Unutrašnjost regija treba biti jednostavna i bez rupa
• Susedne regije moraju biti značajno različite s obzirom na kriterijum uniformnosti
• Granice regija trebaju biti jednostavne, glatke i točne
Problemi vezani za segmentaciju
• Ne postoji konzistentna teorija segmentacije nego skup metoda koje se koriste u praksi.
• Ne postoji mera za kvantitativnu ocenu rezultata segmentacije.
Karakteristične metode za segmentaciju slike:
1. Amplitudna segmentacija (amplitude thresholding)
-Amplitudna segmentacija je korisna kad amplitudne značajke dovoljno precizno definiraju regije scene
-engl. amplitude thresholding
-Najčešće se za amplitudnu segmentaciju koristi histogram prvog reda
2. Obilježavanje komponenti (component labeling)
-engl. component labeling
-Jednostavna i efikasna metoda segmentacije binarnih slika je na osnovi ispitivanja povezanosti točke s njezinim susjedima i obilježavanja povezanih skupova točaka
-U nastavku je prikazana osnovna struktura algoritma za obilježavanje komponenti
3. Metode koje koriste granicu objekta
-engl. boundary methods
-Ova grupa metoda vrši segmentaciju objekata u slici na osnovi granica objekata
-Granice objekata se mogu izdvojiti metodama:
-Praćenje granice
-Interpolacije krivulja
-Hough-ova transformacija
4. Metode koje koriste unutrašnjost objekta
5. Metode grupiranja (clustering techniques)
-engl. clustering segmentation methods
-Formulacija problema: Neka je x N-dimenzionalni vektor značajki slike u točki (j,k). Segmentacija treba grupirati vektore tako da značajke unutar jedne grupe budu uniformne
6. Segmentacija ekspertnim sustavima
-Ideja ekspertnih sustava je da se umjetnim sustavom imitira znanje ljudskog eksperta odnosno omogući rješavanje raznih problema
-Najčešće su korišteni ekspertni sustavi temeljeni na pravilima (engl. rule-based expert systems)
-Ekspertni sustavi obično su usko specijalizirani
-Ekspertni sustavi koriste se u obradi, analizi i razumijevanju slika
7. Segmentacija neuronskim mrežama
-Umetnute neuronske mreže su nelinearne mreže koje pokušavaju imitirati funkcioniranje bioloških neuronskih mreža
-Umetnute neuronske mreže se sastoje od modela neurona koji su međusobno povezani
-Postoji mnogo vrsta neuronskih mreža raznih topologija i načina rada i načina učenja
-Proces učenja koristi se za određivanje nepoznatih parametara mreže da bi se dobio željeni odziv
Biološki neuron
Pored algoritma ucenja,osnovni element neuronske mreze je neuron. Neuron ima cetiri osnovna dela: ulazni deo celije(dendriti prenose akcijski potencijal preko aksona do sledećeg neurona),telo celije, izlazni deo celije (axon) i sinapse (mesto gde se axson dodiruje sa dedritima neke druge celije. To je mesto gde se impulsi prenose od jedne do druge nervne celije).
Neuroni primaju informacije iz spoljnjeg sveta, zvane stimulansi. Informacija putuje kroz nervnu mrezu generisuci nove interne signale koji se predaju od neurona do neurona. Ovi novi signali na kraju proizvvode reakciju na dati stimulus. Svaki neuron predaje informaciju susednom neuronu tako sto oslobadja supstancu zvanu neurotransmitter. Ovaj transfer se desava na sinapsama. Kada neuron prima informaciju od svog susednog neurona ta informacija moze ili da pobudi ili da je blokira, pa ako je celija pobudjena ona ce da prenese informaciju na sledeci susedni neuron, a ukoliko je blokirana, odbacice uticaj informacije. Sinapticke veze mogu biti dakle jace (ucenje) ili slabije (zaboravljene) tokom vremena.
Segmentacija je postupak deobe slike na njene sastavne delove i objekte i najvažniji je korak prilikom automatske obrade slike.
Segmentacija slike se bavi dekompozicijom slike u skup regija koje se ne preklapaju, a čija unija daje celu sliku.
Svrha segmentacije je da rastavi sliku na delove na način koji ima smisla u određenoj aplikaciji.
Npr. kod prepoznavanja delova segmentacija treba rastaviti sliku na objekat i njegovu pozadinu.
Segmentacija složenih slika može biti veliki problem i ne može se rešiti “jednostavnim” metodama.
Jedan od načina segmentacije takvih slika je segmentacija pomoću neuronskih mreža.
Neuronske mreže:
-nelinearne mreže koje pokušavaju da imitiraju funkcije mozga
-sastoje se od međusobno povezanih matematičkih modela neurona
-koristi se proces učenja da bi se odredili nepoznati parametri (ai,b) mreže tako da se dobije željeni odziv
-algoritmi za učenje su složeni i ima ih nekoliko.
Izbor vrste neuronske mreže –
• postoji više vrsta mreža s obzirom na topologiju, matematičke funkcije u neuronima i algoritme učenja;
• “feed-forward“ mreže (nema povratne veze,perceptron,radial basis function mreža);
• mreže sa povratnom vezom (Hopfield-ova mreža,Boltzman-ova mreža).
• učenje pod nadzorom- supervised learning (perceptron,radial basis function mreže,Boltzman-ova mreža)
• samostalno učenje- unsupervised learning (Hopfield-ova mreža)
Ne postoji pravilo za izbor ni vrste niti topologije neuronske mreže.
Teško je definisati šta je to smislena segmentacija – zato se u praksi obično traži da:
• Regije trebaju biti homogene s obzirom na neko svojstvo
• Unutrašnjost regija treba biti jednostavna i bez rupa
• Susedne regije moraju biti značajno različite s obzirom na kriterijum uniformnosti
• Granice regija trebaju biti jednostavne, glatke i točne
Problemi vezani za segmentaciju
• Ne postoji konzistentna teorija segmentacije nego skup metoda koje se koriste u praksi.
• Ne postoji mera za kvantitativnu ocenu rezultata segmentacije.
Karakteristične metode za segmentaciju slike:
1. Amplitudna segmentacija (amplitude thresholding)
-Amplitudna segmentacija je korisna kad amplitudne značajke dovoljno precizno definiraju regije scene
-engl. amplitude thresholding
-Najčešće se za amplitudnu segmentaciju koristi histogram prvog reda
2. Obilježavanje komponenti (component labeling)
-engl. component labeling
-Jednostavna i efikasna metoda segmentacije binarnih slika je na osnovi ispitivanja povezanosti točke s njezinim susjedima i obilježavanja povezanih skupova točaka
-U nastavku je prikazana osnovna struktura algoritma za obilježavanje komponenti
3. Metode koje koriste granicu objekta
-engl. boundary methods
-Ova grupa metoda vrši segmentaciju objekata u slici na osnovi granica objekata
-Granice objekata se mogu izdvojiti metodama:
-Praćenje granice
-Interpolacije krivulja
-Hough-ova transformacija
4. Metode koje koriste unutrašnjost objekta
5. Metode grupiranja (clustering techniques)
-engl. clustering segmentation methods
-Formulacija problema: Neka je x N-dimenzionalni vektor značajki slike u točki (j,k). Segmentacija treba grupirati vektore tako da značajke unutar jedne grupe budu uniformne
6. Segmentacija ekspertnim sustavima
-Ideja ekspertnih sustava je da se umjetnim sustavom imitira znanje ljudskog eksperta odnosno omogući rješavanje raznih problema
-Najčešće su korišteni ekspertni sustavi temeljeni na pravilima (engl. rule-based expert systems)
-Ekspertni sustavi obično su usko specijalizirani
-Ekspertni sustavi koriste se u obradi, analizi i razumijevanju slika
7. Segmentacija neuronskim mrežama
-Umetnute neuronske mreže su nelinearne mreže koje pokušavaju imitirati funkcioniranje bioloških neuronskih mreža
-Umetnute neuronske mreže se sastoje od modela neurona koji su međusobno povezani
-Postoji mnogo vrsta neuronskih mreža raznih topologija i načina rada i načina učenja
-Proces učenja koristi se za određivanje nepoznatih parametara mreže da bi se dobio željeni odziv
Biološki neuron
Pored algoritma ucenja,osnovni element neuronske mreze je neuron. Neuron ima cetiri osnovna dela: ulazni deo celije(dendriti prenose akcijski potencijal preko aksona do sledećeg neurona),telo celije, izlazni deo celije (axon) i sinapse (mesto gde se axson dodiruje sa dedritima neke druge celije. To je mesto gde se impulsi prenose od jedne do druge nervne celije).
Neuroni primaju informacije iz spoljnjeg sveta, zvane stimulansi. Informacija putuje kroz nervnu mrezu generisuci nove interne signale koji se predaju od neurona do neurona. Ovi novi signali na kraju proizvvode reakciju na dati stimulus. Svaki neuron predaje informaciju susednom neuronu tako sto oslobadja supstancu zvanu neurotransmitter. Ovaj transfer se desava na sinapsama. Kada neuron prima informaciju od svog susednog neurona ta informacija moze ili da pobudi ili da je blokira, pa ako je celija pobudjena ona ce da prenese informaciju na sledeci susedni neuron, a ukoliko je blokirana, odbacice uticaj informacije. Sinapticke veze mogu biti dakle jace (ucenje) ili slabije (zaboravljene) tokom vremena.