Existen varios enfoques para la segmentación de imágenes: agrupación, ajuste de contorno, umbrales simples y también se están desarrollando nuevos.
Esbozaré y discutiré alguna segmentación por métodos de agrupamiento. Si bien no puedo decir si estos son actuales en la industria o no, son actuales en los planes de estudios de visión por computadora de nivel de posgrado, por lo que deberían tener alguna relevancia para usted.
Agrupación jerárquica aglomerativa (HAC)
Algoritmo:
1) Encuentra puntos en el espacio de características.
2) Inicialice cada punto como un centro de clúster.
3) Encuentre los dos centros de clúster con la distancia más pequeña en el espacio de características.
4) Fusiona los dos grupos y calcula el nuevo centro.
5) Repita hasta que k se agrupen los centros a la izquierda, o hasta que la distancia sea mayor que d.
- ¿Cuáles son las ventajas y desventajas de la búsqueda A * y el algoritmo de Dijkstra? ¿Cuándo se debe usar cada uno?
- ¿Por qué mi código solo pasa números pequeños y no los grandes (con respecto a subconjuntos no divisibles)?
- ¿Cómo Thomas Cormen y sus coautores generaron el índice para su libro clásico de algoritmos?
- ¿Cuál es la complejidad del tiempo para la escalera de palabras?
- ¿Podemos construir un sistema utilizando algoritmos de aprendizaje automático que puedan reemplazar a todas las empresas de consultoría financiera y técnica del mundo?
Inconvenientes:
– Necesita conocimiento previo de la imagen, ya sea el número esperado de grupos k, o la distancia umbral máxima entre grupos d.
Agrupamiento de medias K
Algoritmo:
1) Encuentra puntos en el espacio de características.
2) Inicialice k centros de clúster y asígneles puntos.
– Puede ser aleatorio o codicioso
3) Calcule el centro del grupo y la suma de las distancias al cuadrado entre cada centro del grupo y sus puntos asignados.
4 a) Calcular asignaciones: actualice las asignaciones para que cada punto se asigne al centro más cercano.
4 b) Calcular centros: actualice los centros de clúster para que cada centro sea la media de sus nuevas asignaciones.
5) Repita el paso 4) hasta la convergencia.
Inconvenientes:
– Necesita conocimiento previo de la imagen, el número esperado de grupos k.
– Fuertemente afectado por los valores atípicos.
– Puede establecerse en mínimos locales y no en el mínimo global.
– Escalado deficiente (lento) con dimensionalidad, O (d).
Agrupación media de turnos
Algoritmo:
1) Encuentra puntos en el espacio de características.
2) Inicialice el punto de semilla aleatorio p_seed en el espacio de características con una ventana de tamaño W.
3 a) Calcule el centro de gravedad basado en todos los puntos dentro de la ventana.
3 b) Establezca el centro de gravedad como el nuevo centro de la ventana, desplazando la ventana.
4) Repita el paso 3 hasta la convergencia.
Inconvenientes:
– Complejidad computacional: muchas ventanas, muchos cambios, muchos cálculos.
– Escalado deficiente (lento) con alta dimensionalidad y grandes espacios de características, O (pd).
– No es obvio cómo seleccionar el tamaño de ventana óptimo (prueba y error).