Κατάτμηση Φυσικών Εικόνων με Τεχνικές Αποσύνθεσης Διάμεσου Άξονα

Abstract

Στην παρούσα διπλωματική εργασία παρουσιάζονται τεχνικές κατάτμησης εικόνων βασισμένες σε μία διαδικασία αποσύνθεσης διάμεσου άξονα. Ξεκινώντας από μια grayscale εικόνα ακμών υπολογίζουμε ένα σταθμισμένο μετασχηματισμό απόστασης και τον αντίστοιχο διάμεσο άξονα. Εφαρμόζοντας, τώρα, τον ίδιο μετασχηματισμό απόστασης από το διάμεσο άξονα ανάποδα, λαμβάνουμε μια αρχική κατάτμηση της εικόνας. Αναπαριστώνας την εικόνα ως δομή disjoint-set forest, ενώνουμε γειτονικές περιοχές βάσει κάποιων κριτηρίων. Κατά το πρώτο από αυτά, χρησιμοποιούμε το ύψος των σημείων σέλλας του διάμεσου άξονα για να εκφράσουμε την ομοιομορφία μεταξύ γειτονικών περιοχών. Μία δεύτερη διαφορετική κατεύθυνση που ακολουθούμε είναι η χρήση ενός μέτρου κλειστότητας των περιοχών της εικόνας για να αποφασίσουμε εάν πρέπει να ενωθούν δύο γειτονικές περιοχές. Τρίτη και τελευταία κατεύθυνση είναι η χρήση ενός μέτρου ανομοιομορφίας μεταξύ περιοχών που ικανοποιεί την υπερμετρική ιδιότητα. Με αυτόν τον τρόπο, υλοποιούμε την κατάτμηση ιεραρχικά. Όλες οι παραπάνω τεχνικές αξιολογούνται με βάση τη συλλογή δεδομένων του πανεπιστημίου Berkeley και συγκρίνονται με γνωστές τεχνικές της βιβλιογραφίας. Χωρίς μάθηση, πετυχαίνουμε πολύ καλά αποτελέσματα και με πρακτικούς χρόνους εκτέλεσης.

In the framework of this thesis, we present new image segmentation techniques based on a weighted medial axis decomposition procedure. Starting from image contour map, we compute a weighted distance map and its weighted medial axis. Applying the same distance propagation from the medial axis backwards, we dually obtain an initial image partition and a graph representing image structure. Using a disjoint-set data structure, we then merge adjacent regions according to some criteria. Several different criteria were examined and tested. First, we use medial axis saddle point height to express similarity between adjacent regions and merge correspondingly. A second distinct direction we follow is to merge adjacent regions according to how fragmented they are. Last but not least, we use ultrametric contour map representation to implement hierarchical segmentation. As inter-region ultrametric dissimilarities, we use mean boundary strength on the common boundary between adjacent regions and inter-region fragmentation. All the above mentioned techniques are evaluated using the Berkeley Segmentation Dataset and compared with some state of the art algorithms. Without learning, we achieve performance near the state of the art with very practical running times.