33DZO – 2. Cvičení: Segmentace

Úkolem segmentace je rozdělit obraz na části odpovídající rozdílným oblastem nebo objektům ve skutečném světě. Z mnoha existujících metod segmentace vybíráme dvě, které zároveň ukazují obecněji použitelné algoritmy:

1. Detekce hranice dynamickým programováním řeší úlohu segmentace nepřímo nalezením hranice mezi dvěma oblastmi. Je použitelná pouze na omezenou třídu úloh, ale je jednoduchá, rychlá a zaručuje nalezení globálního optima (pro danou formulaci problému).
2. Mean-shift segmentace shlukuje body obrazu na základě podobnosti jejich vzhledu a blízkosti jejich pozice. Chování metody je řízeno pouze dvěma parametry s jasným "fyzikálním" významem.

Úkoly

1. Na satelitním snímku Kolínska vyznačte tok řeky Labe pomocí dynamického programování. [1.25b]
   • Uveďte cenu nalezené cesty.
   • Jaká je asymptotická složitost vašeho algoritmu (v závislosti na počtu pixelů obrazu)?
2. Rozdělte fotografii přehrady Fláje mean-shift segmentací na břeh, vodu, oblohu a vegetaci. [2.75b]
   • Odvoďte vzorec gradientu pro Epačenikův kernel, potřebný pro implementaci.
   • Zobrazte výsledek na obraze o čtvrtinových rozměrech: imresize(im,0.25).
   • Pod výsledkem uveďte zvolenou velikost kernelu a zdůvodněte svoji volbu.
   • Není-li volba jednoznačná, ukažte výsledek pro různé kernely a vysvětlete výhody/nevýhody.
   Poznámka: nepožadujeme perfektní segmentaci, např. tento výsledek uznáme bez námitek.
   Doplněno: v textu k mean-shiftu je detailněji popsané, jak zvolit konstanty ve vzorci gradientu.

in English