بهترین روش برای segmentation تصویر

[ژوپیتر]

پاسخ : بهترین روش برای segmentation تصویر

به نظرتون برای region growing بیام seed رو تو قسمت سالم مغز بذارم و بعد ~ کنم بعد به بررسی نواحی باقیمانده بپردازم بهتر نیست؟ ( با NN )

از اونجایی که بافت مغزی ممکنه در میانش حفره یا شیار وجود داشته باشه که وابسته به شکل مغز و جمجمه است و به صورت لکه یا ترک سیاه رنگه نشون داده میشه و از طرفی بافت سالم مغز درصد بیشتری از مساحت تصویر رو پوشش میده، پیمایش بافت سالم هم پیچیده تر میشه و هم زمان بیشتری میگیره، تومور (اینطور که از چند عکسی که گذاشتید پیداست) بافت یک تکه و بدون شیار داره که هم مساحتش کمتره و بیشتر حالت محدب داره.
برای Region Growing از Flood fill و تعریف Threshold هم میشه استفاده کرد که با انداختن Seed در تومور و تعیین Threshold قسمت مورد نظر قابل استخراج خواهد شد. در NN چون پیاده سازی ها متفاوته، نتیجه و سرعت کار هم متفاوته، برای Flood fill هم همینطوره، مهم اینه که همواره برای سرعت بخشیدن به کار مثل PCA قسمت های مختلف کارتون رو به عبارتی Quantize کنید و دقت رو کم کنید، بعد هرچی جلوتر میرید و از محل تومور مطمئن تر میشید، دقت رو بالا ببرید. مثلا در همون Flood fill یکی از روشها برای کاهش محاسبات افزایش طول و عرض Pen از یک پیکسل به چند پیکسله که بعد از نهایی شدن کار، برای دقت بیشتر، طول و عرض Pen رو کم میکنند.

[hess]

پاسخ : بهترین روش برای segmentation تصویر

سلام ..

تصویر پست ابتدایی شما قابل دسترس نبود؛ امــا ادامه ی پست ها مربوط به تصاویر پزشکی میشدن .. شاید تاپیک "تقریبا قدیمی" زیر بتونه به این تاپیک مرتبط باشه .. اگر تصاویر اون تاپیک هم قابل دسترس نبودند؛ بفرمائید تا همه ی تصاویر رو در جای دیگه ای (که نمیدونم کجاست!) پلود کنم .. موفق و سلامت و شاد باشید ..

http://www.eca.ir/forum2/index.php?topic=21635.0

[رضا شفقی]

پاسخ : بهترین روش برای segmentation تصویر

ممنون حسام جان
پست مربوط به پارساله ولی خوب برای یاد گرفتن هیچ وقت دیر نیست. متاسفانه یه مدت شما در دسترس نبودید سوالات تخصصی بی جواب موندند. تاپیکی که معرفی فمودید تاپیک خیلی خوبی هست حتما مطالعه ش می کنم.

البته الان میدونم سوالی که پرسیدم غلط هست. یعنی چیزی به اسم بهترین نداریم. الان سوالم اینه:
روشهای جدید و کارآمد برای قطعه بندی تصاویر چیست؟
اگر راهنمایی کنید ممنون میشم.

[hess]

پاسخ : بهترین روش برای segmentation تصویر

سلام ..

برای تصاویر پزشکی در اکثر موارد از Active Contour ها استفاده میکنن که بر اساس منطق انرژی لبه ها از یک مدل اولیه شروع میکنن که معمولا توسط کاربر تعیین میشه؛ و به صورت Iterative همگرا میشن به لبه های جسم؛ با این استلال که انرژی لبه ها از بقیه ی قسمت ها بیشتر هست .. برای اجرای این نوع الگوریتم ها که به دو گروه پارامتریک (ساده تر) و غیر پارامتریک (کمی مشکل تر؛ از نظر پیاده سازی) تقسیم بندی میشن؛ نیاز به تعریف توابع انرژی و اپتیمایز کردن اونها هست + یک Initialization اولیه که میتونه در شرایط اتومامیک (یا بدبینانه) با Convex Hull معادل بشه .. از معروف ترین الگوریتم های این خانواده میشه به GVF یاGradient Vector Flow اشاره کرد که نسبت به بقیه از کاربرد بیشتری برخورداره .. Level Set هم الگوریتم پرطرفدار دیگر این خانواده هست .. در بین این الگوریتم ها یک مساله ی بسیار مهم وجود داره و اون Concavity یا Key Hole Problem هست که برای تست بهینه یا عدم بهینه بودن الگوریتم ها؛ این موضوع رو معمولا تست میکنن .. مساله به این صورت هست که اگر جسم (یا تصویر مورد تست) شامل یک حفره باشه (درست مثل یک "دونات&quot و حلقه ی Initialization اولیه خارج از این حفره باشه؛ آیا الگوریتم قادر به نفوذ به لایه ی درونی حفره (قسمت داخلی دونات) خواهد بود یا اینکه تنها میتونه کانتور نهایی (حلقه ی سگمنتیشن نهایی) رو به لبه های خروجی همگرا کنه و روی اونها fit بشه (شاید فیت شدن واژه ی زیاد دقیقی نباشه؛ امــا از نظر شهودی توجیه داره!) .. اگر در بین این خانواده به اصطلاح Snake برخوردید؛ تعجب نکنید؛ چون به دلیل حرکت کانتورها و نزدیک شدن؛ همگرا شدن و نشستن بر روی لبه های تصاویر؛ اونها رو با Snake مشابه میکنن .. الگوریتم ها برای همگرا شدن معمولا به زمان احتیاج دارن و خیلی به ندرت (و با بهینه سازی های خیلی پر دردسر) از اونها در موارد Real Time استفاده میکنن .. برای دسترسی به پیشقدم و صاحب سبک در این زمینه هم میتونید از این لینک استفاده کنید ..

برای کاربرد های دیگه؛ مثل Object Recognition یا Scene Recognition و یا حتی Pose Estimation از کانتورها استفاده نمیکنن به دلایلی که در بالا هم اشاره کردیم، اول اینکه نیاز به Initialization دارن و بعد هم اینکه Iterative بودن اونها دلیل کافی ای هست برای کم طرفدار بودنشون در کاربردهایی که نیاز به سرعت بیشتری برای Pre Processing هست .. در این موارد معمولا از N-Cut یا Normalized Cut و یا الگوریتم پرطرفدار دیگه ای چون Mean Shift که بعضا در Tracking هم استفاده میشه استفاده میکنن .. برخی متد های دیگه هم هستن که خیلی به کثرت استفاده نمیشن؛ امــا به هر حال استفاده میشن .. یکی از اونها برای مثال Blobworld هست و دیگری شاید MGM یا Multiscale Gradient Magnitude باشه .. از Clustering هم استفاده میکنن؛ برای مثال K-Means امــا نه به صورت معمولی بلکه به صورت Hierarchical؛ یعنی اول تصویر رو با یک مرحله K-Means به چند Cluster تقسیم میکنن و بعد روی هر Cluster باز هم K-Means رو ران میکنن و این Grid رو تا چندیدن مرحله ادامه میدن تا به Region های مجزا یا به نتیجه ی سگمنتیشن مطلوبشون برسن .. خسته کننده به نظر میرسه؛ امــا در برخی موارد پاسخ خوبی میده و پیاده سازی اون هم مشکل نیست .. یک گروه بسیار خوب و پدیت هستن که بر روی متدهای مختلف Segmentation کار میکنن و یک Benchmark هم تعریف کردن که هر گروهی الگوریتم Segmentation تازه ای معرفی کنه و نتیجه ی اون روی دیتابیس های این گروه پاسخ بسیار خوبی داشته باشه؛ رقابت رو میبره (چیزی شبیه VOC Challenge) .. لینک این گروه و دیتاهایی که Release کردن و نتایج و بررسی هایی که انجام دادن و جدید ترین فعالیت هاشون رو میتونید در این لینک بررسی کنید .. آخرین تاریخ پدیت سورس هاشون هم مربوط به همین ماه میشه .. در پایان این پست هم چند فایل ضمیمه شدن که امیدوارم بتونن براتون مفید باشن .. موفق و سلامت و شاد باشید ..

[hess]

پاسخ : بهترین روش برای segmentation تصویر

سلام ..

در پست قبل از دو الگوریتم پرکاربرد در محدوده ی Segmentation نام بردیم و بهتر اینکه به منابعی که به اونها رفرنس داده میشه معمولا (رفرنس های اصلی این دو الگوریتم) و کدهایی که در Literature از اونها استفاده میکنند هم اشاره کنیم .. در انتهای این پست منابع اصلی و کدهای مربوط به دو الگوریتم Mean Shift و Normalized Cut ضمیمه شدند .. امیدوارم این فایل ها بتونن به جمع بندی هر چه بهتر مطالب بالا کمک کنن .. موفق و سلامت و شاد باشید ..

[hess]

پاسخ : بهترین روش برای segmentation تصویر

سلام ..

فایلی که در انتهای این پست ضمیمه شده؛ یک مقایسه ی کاربردی بین چند روش مطرح شده در پست های قبل هست که احساس کردم شاید خوب باشه در این تاپیک پلود بشه .. امیدوارم این فایل برای جمعبندی هر چه بهتر مطالب این تاپیک بتونه مفید باشه .. موفق و سلامت و شاد باشید ..

[hess]

پاسخ : بهترین روش برای segmentation تصویر

سلام ..

فایلی که در انتهای این پست ضمیمه شده یک الگوریتم جالب در زمینه ی Segmentation هست که بیشتر در کاربردهای Computer Graphics استفاده میشه و از این جهت لازم هست که نتیجه ی سگمنتیشن، بسیار خوب و دقیق باشه (که این طور هم هست) .. تنها نکته ی منفی این ایده؛ این هست که در ابتدا یک سری نقاط اولیه ی Landmark یا به اصطلاح Seed باید بر روی تصویر انتخاب بشن (توسط کاربر) و در ادامه، Segmentation با اجرای الگوریتم تعریف شده؛ انجام میشه .. یک ایده ای که امکان فکر کردن و مطرح کردنش احساس میشه؛ این هست که بخش انتخاب Seed ها که به صورت Manual توسط کاربر باید انجام بشه؛ اوتوماتیک بشن و به صورت خودکار قبل از اجرای الگوریتم صورت بپذیره .. ایده ای که الان توی ذهنم هست اینه که به احتمال خیلی زیادی؛ Harris Point Detector ها که در SIFT به عنوان یک ابزار کلیدی؛ بخشی از تکامل الگوریتم رو بر عهده دارند؛ بتونن با Grow_Cut ترکیب بشن و بخش انتخاب Seed ها به صورت اتوماتیک توسط Harris انجام بشه .. خیلی خوب میشه اگر دوستانی که علاقه و فرصت انجام این کار رو دارند؛ این ایده رو تست کنند و نتیجه رو اعلام (در صورت مثبت بودن نتیجه؛ امکان انتشار مقاله هم هست) .. در انتهای این پست؛ فایل های مرتبط با این دو الگوریتم؛ ضمیمه شدند .. امید که این مطالب بتونن برای بحث های مطرح شده، مفید باشند .. موفق و سلامت و شاد باشید ..

Grow_Cut_Algorithm