画像セグメンテーションとは？
セグメンテーションとは、さらなる解析のために画像を意味のある領域の集合へと分割する処理のことである
コンピュータビジョンにおいて最も古く、かつ最も広く研究されている問題の1つ
画像セグメンテーションを促進する領域特性
- 領域はある特性において一様／均質であるべきである
- 領域の内部は単純であり、穴や欠落部分がないべきである
- 隣接する領域同士は、それぞれが均質である特性に関して有意に異なる値を持つべきである
- 各領域の境界は滑らかで空間的に正確であるべきである
領域の識別およびセグメンテーションのさまざまなレベル
セグメンテーションのアプローチ
- 領域ベース
- 輪郭ベース
- テンプレートマッチングベース
- 分割統合ベース
- 大域的最適化ベース
課題と問題点
- これまでのところ、あらゆる問題に対して万能に機能する単一のセグメンテーション手法は存在しない
- セグメンテーションのための効果的なコンピュータビジョン手法を開発するには、通常、アプリケーションに関する特定のドメイン知識が不可欠である
- 同じ応用分野内であっても画像は大きく異なる場合がある
しきい値処理
領域間で輝度分布が重複している場合に問題となる
K-meansクラスタリング
クラスタ数が事前にわかっている場合は機能する可能性がある
クラスタ数が事前にわからない場合は問題となる
特徴量ベースの分類
スライディングウィンドウによるパッチ単位の特徴抽出とそれに続く分類によるセグメンテーション… 訓練に多数のサンプルを必要とする
領域の分割と統合
基本的な計算アプローチ
- 領域の統計量に基づいて画像全体を再帰的に細分化する
- 階層的な方法で領域を再帰的に統合する
- 分割と統合を順番に組み合わせる
領域の分割と統合
- 最も単純な手法
– しきい値処理を適用し、連結成分を計算する
– 照明や物体内の統計的ばらつきにより、これだけで十分であることは稀である
連結成分アルゴリズム
- 第1パス
N4
N8
– 各ピクセルをチェックする（左上から右下へ）
– 対象ピクセルの場合、その近傍（𝑁𝑁 4 または 𝑁𝑁 8）をチェックする
– 近傍にラベルがない場合、新しいラベルを割り当てる
– 近傍にラベルがある場合、最小のラベルを割り当てる
– 割り当てを行いながらラベルの等価関係を記録する
等価集合 {1,2,6} {3,4,5}
- 第2パス
– 各ピクセルをチェックする（左上から右下へ）
– 各ラベルをその最小の等価ラベルで置き換える
– すべての背景ピクセルはデフォルトでゼロラベルとする
領域分割
- 測定空間でのクラスタリング
– 画像内の均質な領域が測定空間においてクラスタとして現れると仮定する（単純な例：ヒストグラム）
– 領域内の類似度および領域間の非類似度の指標を最適化する
– クラスタリングは、空間内の谷を見つけ、それらの間の区間をクラスタと定義することによって実現できる
– セグメンテーションとは、クラスタを画像領域に逆マッピングすることである
– クラスタラベルの連結成分がセグメントを構成する
領域拡張法による統合
– 類似度尺度を定義する
– 領域の1つのシードピクセルから開始する
– 隣接ピクセルが類似している場合、領域に追加する
– 類似するピクセルがなくなるまで前のステップを繰り返す
ウォーターシェッドセグメンテーション
地形面の浸水の類似に基づく
Meyerの浸水アルゴリズム
1) 浸水を開始するためのマーカーのセットを選択する。これらは例えば、すべての局所的極小値である可能性がある。それぞれに異なるラベルを付与する。
2) 各マーカーの隣接ピクセルを優先度付きキューに入れる。より類似した輝度値を持つピクセルほど優先度が高くなる。
3) キューから最も優先度の高いピクセルを取り出す。取り出されたピクセルの隣接ピクセルのうち、すでにラベル付けされているものがすべて同じラベルを持っている場合、そのピクセルに同じラベルを付与する。キューに入ったことがない未ラベルの隣接ピクセルをすべてキューに入れる。
4) キューが空になるまでステップ3を繰り返す。
結果として残るラベル付けされていないピクセルが分水嶺（ウォーターシェッド線）となる
最大安定極値領域
- 最大安定極値領域（MSER）の基礎
– 対照的な背景に囲まれた、ほぼ一様な輝度によって特徴付けられる連結成分
– 複数のしきい値を試行し、連結成分の形状を分析するプロセスを通じて構築される
– 選択された領域は、広範なしきい値にわたって形状が事実上変化しない連結成分である。