Phân vùng ảnh bằng các điểm ảnh lớn và gradient

Bài báo giới thiệu một thuật toán mới, kết hợp superpixel với các gradient địa phương trong bài toán phân vùng ảnh. Thuật toán thuộc dạng kết hợp chiến lược giữa đi từ tổng quan đến chi tiết (top-down) và ngược lại (bottom-up). Nhóm các điểm ảnh thành các vùng lớn hơn rồi nhóm tiếp thành vùng rộng hơn nữa. Thuật toán có sử dụng khá nhiều thông tin gradient tổng hợp trong vùng lân cận. Sự kết hợp này đã tránh phải sử dụng thông tin toàn ảnh quá nhiều, nên đã cho lợi thế thời gian thực hiện.
Nội dung trích xuất từ tài liệu:
Phân vùng ảnh bằng các điểm ảnh lớn và gradientTẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557)PHÂN VÙNG ẢNH BẰNG CÁC ĐIỂM ẢNH LỚN VÀ GRADIENTIMAGE SEGMENTATION USING SUPERPIXELS AND GRADIENTSĐào Nam AnhTrường Đại học Điện lựcTóm tắt:Bài báo giới thiệu một thuật toán mới, kết hợp superpixel với các gradientđịa phương trong bài toán phân vùng ảnh. Thuật toán thuộc dạng kết hợpchiến lược giữa đi từ tổng quan đến chi tiết (top-down) và ngược lại(bottom-up). Nhóm các điểm ảnh thành các vùng lớn hơn rồi nhóm tiếpthành vùng rộng hơn nữa. Thuật toán có sử dụng khá nhiều thông tingradient tổng hợp trong vùng lân cận. Sự kết hợp này đã tránh phải sửdụng thông tin toàn ảnh quá nhiều, nên đã cho lợi thế thời gian thực hiện.Từ khóa:Điểm ảnh lớn, gradient, phân vùng ảnh.Abstract:This article presents an algorithm using superpixels and local gradients forimage segmentation. The algorithm is an integration of top-down andbottom-up approaches. Pixels of an input image are grouped intosuperpixels, and then merged into bigger segments. Gradient informationin the local frame is essential for the merging process. This combinationhelps avoiding too much global information in order to get advance in timecomplexity.Keywords:Superpixels, gradients, image segmentation.1. MỞ ĐẦUĐiểm ảnh lớn có thể tạo ra các cấu trúcđa dạng và đa quy mô cho ảnh đầu vàobằng các thuật toán với các thông sốkhác nhau. Đã có nhiều nghiên cứu sửdụng điểm ảnh lớn với gradient trongphân vùng ảnh. Một số thuật toán tiêubiểu cho hướng nghiên cứu phát triểnnày sẽ được giới thiệu và phân tích. Bàibáo giới thiệu một thuật toán mới kết34hợp của superpixel với các gradient địaphương trong bài toán phân vùng ảnh.Thuật toán là sự kết hợp phương pháptop - down và bottom - up, tuy nhiênkhông sử dụng nhiều thông tin tổnghợp toàn ảnh để giảm độ phức tạp củathuật toán. Ở đây các superpixel đượcxác định từ các vị trí trên lưới cho sẵnvà các thông tin địa phương vềgradient. Các thông tin này được sửdụng tiếp trong việc nhóm cácSỐ 7 - 2014TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557)superpixel vào các vùng của ảnh có ýnghĩa.Mục 2 tiếp theo sẽ thực hiện một báocáo tổng quan về các phương phápsuperpixels sử dụng gradient ảnh. Mục3 giới thiệu thuật toán phân vùng ảnhvới các phương pháp superpixels sửdụng gradient ảnh. Cuối cùng, mục 4và 5 mô tả kết quả thực nghiệm và thảoluận về thuật toán.Trước khi vào chi tiết, hình 1 bên cạnhgiới thiệu superpixel. Hình có ba phần:phần bên trái thể hiện ảnh gốc ban đầu,và hai phần còn lại là ảnh đã được phânthành các superpixels với độ rộng trungbình superpixel khác nhau.2. SỰ ĐÓNG GÓP MỚI VÀ CÁCKẾT QUẢ LIÊN QUANViệc phân vùng ảnh thành các điểmảnh lớn (superpixels) là một bước tiềnxử lý quan trọng trong nhiều ứng dụngphân tích hình ảnh [1]. Superpixelscung cấp một cách thể hiện hình ảnhnhỏ gọn hơn của hình ảnh ban đầu, màthường dẫn đến cải thiện hiệu quả tínhtoán [12]. Các điểm ảnh lớn được Renvà Malik giới thiệu trong [2] dựa trênNormalized Cuts [3]. Trong đó điểmảnh lớn được mô tả như là kết quả củaviệc phân vùng ảnh quá nhỏ(oversegmentation) tạo thành các vùngảnh đồng nhất. Điều này cho phép biểudiễn ảnh chỉ với một vài trăm vùng ảnhthay vì hàng chục ngàn điểm ảnh.Normalized Cuts trở thành phương thứcchính của phân vùng superpixel trong[6]. Mặc dù độ có độ chính xác cao,yêu cầu tính toán nặng của NormalizedCuts thường làm cho phân vùngsuperpixel khác chậm. Một số phươngSỐ 7 - 2014pháp phân vùng nhỏ như Mean Shift[5] và phân vùng dựa vào đồ thị GraphCuts [6] có khả năng tính nhanh hơn.Tuy nhiên, superpixels được tạo rathường có sự tùy ý về kích thước vàhình dạng, do đó không còn giống nhưđiểm ảnh nguyên thủy.Có nhiều phương pháp khác để phânvùng hình ảnh thành các superpixels.Các cách tiếp cận khác sử dụng dònghình học (Geometric Flows) [7],khoảng cách trắc địa (GeodesicDistances) [8], hoặc tối ưu PseudoBoolean Optimization [9]. Gần đây, cómột số thuật toán superpixels chấtlượng cao nhanh như SuperLattices[10], TurboPixels [7] và Superpixelsvia Expansion-Moves [11] đã rút ngắnthời gian xử lý.Hình 1. SuperpixelsGradient của một ảnh cho biết ảnhđược thay đổi như thế nào. Gradientcủa ảnh được sử dụng trong nhiều thuậttoán phân tích ảnh, trong đó có cácphương pháp liên quan đến superpixels.Gradient ảnh cung cấp hai loại thôngtin: Độ lớn (magnitude) của gradientcho biết hình ảnh đang thay đổi nhanhthế nào, hướng của gradient cho biếthướng mà ảnh thay đổi nhiều nhất.35TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557)Gradient có một hướng đi và một độlớn, nên vector là cách mã hóa phù hợpnhất thông tin này. Chiều dài của vectorcho biết độ lớn của gradient, và hướngvector chỉ hướng gradient. Gradient cóthể khác nhau tại mỗi điểm ảnh, ở mỗiđiểm ảnh dùng vector khác nhau biểudiễn gradient hình 2 thể hiện gradientcủa ảnh ...