Görüntü Segmentasyonu (Bölütleme)

Dijital Görüntü İşleme

Fevzi Karslı, KTÜ

Segmentasyon,
görüntüyü aynı cinsten
obje ve bölgelere
16 Ocak 2014 Perşembe ayırmaktır. 1
 Görüntü Segmentasyonu Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 2

 Görüntüden Objelere Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Bir objeyi ne tarif eder?

 Subjektif bir problem, fakat iyi çalışılmalı.

 Gestalt kanunları (bütüncül yaklaşım) bu tanımı
yapabilmek üzere kullanılabilir.
 Neyin ilginç/ilgili yada olmadığı uygulamaya
göre de değişir.
 Genel bir teori de henüz söz konusu değildir.

16 Ocak 2014 Perşembe 3

 Gestalt kanunları Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Görüntü üzerindeki elemanların/parçaların bir grup

olup olmamasına dair bir çok faktör etkili olmaktadır.

 Yakınlık (Proximity)
 Benzerlik (Similarity)
 Ortak/genel/yaygın kader (Common fate)
 Ortak bölge (Common region)
 Paralellik (Parallelism)
 Kapalılık/yakınlık(Closure)
 Simetri (Symmetry)
 Süreklilik (Continuity)
 Bilinen yapılanma/konfigürasyon (Familiar configuration)
16 Ocak 2014 Perşembe 4
 Gestalt kanunları
(bütüncül yaklaşım) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 5

 Gestalt kanunları Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Simetri
Benzerlik

16 Ocak 2014 Perşembe 6

 Gestalt kanunları Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Yakınlık Ortak kader

16 Ocak 2014 Perşembe 7

 Otomatik eşikleme Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Süreklilik

16 Ocak 2014 Perşembe 8

 Görüntü segmentasyonu Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Görüntü segmentasyonu, görüntü üzerinde aynı

özellikteki pikselleri parçalar halinde bir araya
toplamaktır, resmi belli bölgelere ayırmaktır.
 Segmentasyon kriteri: I görüntüsünü S bölgelerine
ayırma.

1. ∪ Si = S Partçalar bütün görüntüyü kaplar.

2. Si ∩ Sj = ∅, i ≠ j Bölgeler kesişmez.
3. ∀ Si, P(Si) = true Homojenlik her bölge için sağlanır.
4. P(Si ∪ Sj) = false, Komşu bölge birleşimleri sağlanmamış.
i ≠ j, Si adjacent Sj

16 Ocak 2014 Perşembe 9

 Görüntü segmentasyonu Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Yapılması gereken bölgeler arasındaki benzerliğin

tanımlanması ve uygulanmasıdır.

 Örnek yaklaşımlar:
 Histogram tabanlı (Histogram-based)
 Kümeleme tabanlı (Clustering-based)
 Bölge büyütme (Region growing)
 Ayırma ve birleştirme (Split-and-merge)
 Morfolojik (Morphological)

16 Ocak 2014 Perşembe 10

 Histogram tabanlı segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Bu görüntüde kaç tane turuncu piksel

vardır?
 Bu tür sorular histograma bakılarak ve

incelenerek cevaplandırılabilir.

16 Ocak 2014 Perşembe 11

 Histogram tabanlı segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Burada kaç tane mod vardır?

 Burada çözüm renk sayısını K gibi bir değere düşürerek
ona yakın renkler atanarak yapılır.
 İki renk kullanılırsa çözüm üretilebilir.

16 Ocak 2014 Perşembe 12

 Kümeleme tabanlı segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Temsili renkler nasıl seçilir?

 Bu bir kümeleme problemidir.

 K-means algoritması kümeleme için kullanılabilir.

 http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/AppletKM.html
 http://www.math.le.ac.uk/people/ag153/homepage/KmeansKmedoids/Kmeans_Kmedoids.html

16 Ocak 2014 Perşembe 13

 Kümeleme tabanlı segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe Renklerin K-means ile kümelenmesi 14

 Kümeleme tabanlı segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Kümeleme, renk bilgisine ilaveten diğer detaylarda

(doku gibi) dikkate alınarak yapılabilir.
Orjinal görüntü Renk bölgesi Doku bölgesi

16 Ocak 2014 Perşembe 15

 Ortalama kayma (Mean shift)
algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Mean shift algoritması özelik (feature) uzayında

lokal maksimum veya modları araştırır.

Görüntü Özelik uzayı

16 Ocak 2014 Perşembe 16

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 17

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 18

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 19

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 20

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 21

 Mean shift algoritması Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Araştırma
penceresi

Kütle merkezi

Mean Shift
vektörü

16 Ocak 2014 Perşembe 22

 Mean shift segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Detaylar/özellik bulunur (renk, eğim, doku vb.)

 Başlangıç penceresi oluşturulur
 Her bir pencere için mean shift hesaplanır
 Pencereler “peak” yada modlarla eşleştirilir.

16 Ocak 2014 Perşembe 23

 Mean shift segmentasyon
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 24

 Mean shift segmentasyon
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 25

Bölge/alan büyütme (Region growing) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Region growing tekniği potansiyel bölge içinde bir

pikselle başlar ve komşu piksellerin benzerliği test
edilerek büyütülür.

 İlk piksel veya belli sayıda (seed) başlangıç pikseli

manuel yada otomatik olarak görüntü üzerinden
seçilir.

 Başlangıç pikseli ile küme pikseller arasında

benzerlik ölçüsü tanımlanmalıdır ki büyümenin ana
kriteri budur.
16 Ocak 2014 Perşembe 26
Bölge/alan büyütme (Region growing) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Genellikle, hangi pikselin bölgeye ekleneceğine bir

istatistiksel test ile karar verilir.
 Bölge benzer istatistiğe sahip bir popülasyondur.
 İstatistiksel test ile komşu yada kenar pikselin bölgedeki
popülasyona uyup uymadığı test edilir.
 R, N pikselli bir bölge, p ise y gri değerli ve bu
bölgeye komşu piksel olsun.
 Ortalama X ve örnek varyans S2 ile tanımlansın.

X=
1
∑ I(r, c)
N (r,c)∈R
21
N (r,c)∈R
(
S = ∑ I(r, c) - X ) 2

16 Ocak 2014 Perşembe 27

 Bölge/alan büyütme (Region growing) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 T istatistik değeri aşağıdaki formül ile tanımlansın.

1/2
 (N − 1)N 2 2
T=  (p − X) /S 
 (N + 1) 
 Eğer R bölgesi ve p pikseli bağımsız ve Gauss
dağılımına uygunsa, TN-1 dağılımına uygundurlar
denilebilir.

16 Ocak 2014 Perşembe 28

Bölge/alan büyütme (Region growing) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 T dağılım için, istatistik tabloda olasılık değeri belli

güven aralığı ve serbestlik derecesi için Pr(T ≤
t)’dir. Buradan, pik değeri t olarak alınır.

 Eğer T ≤ t ise p pikseli R bölgesine eklenir,

ortalama ve varyans yeniden hesaplanır.

 Eğer T büyük ise, p ilgili R bölgesine dahil edilmez,

yeni bir bölge seçilerek işlem yenilenir.

16 Ocak 2014 Perşembe 29

Bölge/alan büyütme (Region growing) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

http://www.bigr.nl/website/static/research/regrow.html http://www.mathworks.com/matlabcentral/fileexchange/
32532-region-growing-2d3d-grayscale

http://www.creatis.insa-lyon.fr/~grenier/?p=172
http://www.mathworks.com/matlabcentral/fileexchange/
19084-region-growing
16 Ocak 2014 Perşembe 30
Bölme ve birleştirme (split and merge) Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

1. Bütün görüntü ile başlanır.

2. Eğer varyans çok büyükse, görüntü parçalara
(kadran) ayrılır.
3. Yeterince benzer bölgeler birleştirilir.
4. 2 ve 3 adımları, bölünme ve birleşmenin olmadığı
duruma kadar tekrarlanır.

16 Ocak 2014 Perşembe 31

Bölme ve birleştirme (split and merge)
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 32

Bölme ve birleştirme (split and merge)
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 33

 Havza (watershed) segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

 Görüntü, vadi ve dağları içeren topoğrafik bir

yüzey olarak değerlendirilir.

 3 tip nokta ele alınır:

 Bölgesel minimumdaki noktalar.
 Toplama havuzundaki noktalar.
 catchment basins
 Havza kenarındaki noktalar.
 watershed lines

16 Ocak 2014 Perşembe 34

 Havza (watershed) segmentasyon
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 35

 Havza (watershed) segmentasyon
Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

16 Ocak 2014 Perşembe 36

 Havza (watershed) segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

İkili görüntü Mesafe transformasyonu Watershed

uygulanmış görüntü segmentasyon

16 Ocak 2014 Perşembe 37

 Havza (watershed) segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Bir hücre görüntüsü Hücre görüntüsü eğimi

(gradient)

16 Ocak 2014 Perşembe 38

 Havza (watershed) segmentasyon Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

Hücre görüntüsü, çok ölçekli watershed segmentasyon

16 Ocak 2014 Perşembe 39
 Dijital Görüntü İşleme
Fevzi Karslı, KTÜ

The end…

Hope to see you in the next future…

Dr. F. Karslı

16 Ocak 2014 Perşembe 40