i.segmentgrass – онлайн у хмарі

ПРОГРАМА:

ІМ'Я

i.сегмент - Ідентифікує сегменти (об'єкти) з даних зображень.

КЛЮЧОВІ СЛОВА

зображення, сегментація, класифікація, розпізнавання об’єктів

СИНТАКСИС

i.сегмент
i.сегмент --допомога
i.сегмент [-dw] група=ім'я вихід=ім'я поріг=плавати [метод=рядок]
[подібність=рядок] [мінімальний розмір=ціле] [пам'ять=ціле] [ітерації=ціле]
[Насіння=ім'я] [межі=ім'я] [добро=ім'я] [--перезаписати] [--допомога] [--докладний]
[--тихий] [--ui]

Прапори:
-d
Використовуйте 8 сусідів (околиці 3x3) замість стандартних 4 сусідів для кожного пікселя

-w
Зважене введення, не виконуйте масштабування вхідних растрових карт за замовчуванням

--перезаписати
Дозволити вихідним файлам замінювати наявні файли

--допомога
Роздрукувати підсумок використання

-багатослівний
Детальний вихід модуля

--спокійно
Тихий вихід модуля

--ui
Примусово запустити діалогове вікно графічного інтерфейсу

Параметри:
група=ім'я [вимагається]
Назва вхідної групи зображень

вихід=ім'я [вимагається]
Ім'я вихідної растрової карти

поріг=плавати [вимагається]
Поріг різниці між 0 і 1
Поріг = 0 об'єднує тільки ідентичні сегменти; поріг = 1 об’єднує всі

метод=рядок
Метод сегментації
варіанти: регіон_зростання
За умовчанням: регіон_зростання

подібність=рядок
Метод розрахунку подібності
варіанти: евклідова, Манхеттен
За умовчанням: евклідів

мінімальний розмір=ціле
Мінімальна кількість комірок у сегменті
Останнім кроком буде злиття малих сегментів з їх найкращим сусідом
варіанти: 1-100000
За умовчанням: 1

пам'ять=ціле
Пам'ять в МБ
За умовчанням: 300

ітерації=ціле
Максимальна кількість ітерацій
За умовчанням: 20

Насіння=ім'я
Ім'я для вхідної растрової карти з початковими зернами

межі=ім'я
Назва вхідної растрової карти, що обмежує/обмежує
Повинні бути цілі значення, кожна область буде сегментована незалежно від інших

добро=ім'я
Назва карти добротності результату оцінки відповідності

ОПИС

Сегментація зображення або розпізнавання об’єктів – це процес групування подібних пікселів
унікальні сегменти, які також називають об’єктами. Алгоритми на основі кордонів і регіонів
Як описано в літературі, в даний час є алгоритм зростання і злиття регіонів
реалізовано. Кожен об’єкт, знайдений під час процесу сегментації, отримує унікальний ідентифікатор і є
набір суміжних пікселів, що відповідають деяким критеріям. Зверніть увагу на контраст із зображенням
класифікація, де всі пікселі, схожі один на одного, віднесені до одного класу і
не повинні бути суміжними. Результати сегментації зображень можуть бути корисними самі по собі,
або використовується як етап попередньої обробки для класифікації зображень. Попередня обробка сегментації
крок може зменшити шум і прискорити класифікацію.

ПРИМІТКИ

область Зростання та Злиття
Цей алгоритм сегментації послідовно досліджує всі поточні сегменти растрової карти.
Розраховується подібність між поточним сегментом і кожним із його сусідів
за заданою формулою відстані. Сегменти будуть об’єднані, якщо вони відповідають певній кількості
критерії, у тому числі:

1 Пара взаємно найбільш схожа один на одного (відстань подібності буде
менше, ніж у будь-якого іншого сусіда), і

2 Подібність має бути нижчою за вхідний поріг. Процес повторюється
доки під час повного проходу не буде здійснено жодного злиття.

Подібність та поріг
Подібність між сегментами та необ’єднаними об’єктами використовується, щоб визначити, які саме об’єкти
об'єднані. Менші значення відстані вказують на більш близьке співпадання з показником подібності
нуль для однакових пікселів.

Під час звичайної обробки злиття дозволено лише за наявності подібності між двома сегментами
нижче заданого порогового значення. Під час останнього проходу, однак, якщо мінімум
розмір сегмента 2 або більше надається разом із мінімальний розмір параметр, відрізки з меншим
кількість пікселів буде об’єднано з найбільш подібним сусідом, навіть якщо подібність є
більший за поріг.

Команда поріг має бути більшим за 0.0 і меншим за 1.0. Поріг 0 дозволить
об’єднуються лише пікселі з однаковими значеннями, тоді як поріг 1 дозволить усе
підлягають об'єднанню. Початкові емпіричні тести показують, що порогові значення від 0.01 до 0.05 є
розумні значення для початку. Рекомендується починати з низького значення, наприклад, 0.01 і
потім виконайте ієрахічну сегментацію, використовуючи вихідні дані останнього запуску як Насіння для
наступний запуск.

Розрахунок Формули
І евклідова, і манхеттенська відстані використовують звичайне визначення, враховуючи кожен растр
у групі зображень як вимір. Надалі буде також проводитися розрахунок відстані
врахувати особливості форми сегментів. Тоді нормальні відстані
помножена на вхідну радіометричну вагу. Далі додається додатковий внесок:
(1-радівага) * {гладкість * вага гладкості + компактність * (1-вага гладкості)},
де компактність = довжина периметра / sqrt (площа) і гладкість = довжина периметра /
Обмежувальна коробка. Довжина периметра оцінюється як кількість піксельних сторін сегмента
мав

Насіння
Карта початкових даних може використовуватися для надання або початкових пікселів (випадкових або вибраних точок з
які розпочати процес сегментації) або насіннєві сегменти. Якщо насіння є результатами
може бути виконана попередня сегментація з нижчим порогом, ієрархічна сегментація.
Програма автоматично визначає різні підходи: будь-які пікселі
ідентичним початковим значенням і суміжним буде присвоєно унікальний ідентифікатор сегмента.

Очікується, що мінімальний розмір буде встановлено на 1, якщо використовується початкова карта, але програма
дозволить використовувати інші значення. Якщо використовуються обидва варіанти, остаточна ітерація що
ігнорує порогове значення також ігнорує початкову карту та примусове злиття для всіх пікселів (не
просто сегменти, які виросли/злилися з насіння).

Максимальний номер of початок сегменти
Для алгоритму зростання регіону без початкового насіння кожен піксель послідовно
пронумеровані. Поточна межа для зберігання CELL становить 2 мільярди ідентифікаторів початкового сегмента. Якщо
початкова карта має більшу кількість ненульових пікселів, є два обхідні шляхи:

1 Використовуйте початкові початкові пікселі. (Максимум 2 мільярди пікселів можуть бути позначені позитивом
цілі числа.)

2 Використовуйте початкові сегменти насіння. (За початковою класифікацією або іншими методами.)

Кордон Обмеження
Граничні обмеження обмежують суміжність пікселів і сегментів. Кожне унікальне значення
присутні в межі растр розглядається як МАСКА. Таким чином, жодних сегментів у фіналі
сегментована карта перетне межу, навіть якщо їх спектральні дані дуже схожі.

мінімальний Сегмент Розмір
Щоб зменшити вплив солі та перцю, а мінімальний розмір більше 1 додасть один додатковий
перейти до обробки. Під час останнього проходу поріг ігнорується для будь-яких сегментів
менше встановленого розміру, що змушує дуже маленькі сегменти зливатися з найбільшою
схожий сусід.

Добро of Відповідати
Команда добро відповідність для кожного пікселя обчислюється як 1 - відстань від пікселя до
об'єкт, якому він належить. Відстань розраховується з обраним подібність метод. А
значення 1 означає ідентичні значення, ідеальну підгонку, а значення 0 означає максимально можливе
відстань, найгірша можлива підгонка.

ПРИКЛАДИ

Сегментація of RGB ортофото
У цьому прикладі використовується ортофотографія, включена до набору даних зразка NC. Налаштувати
група зображень:
i.group group=ortho_group input=ortho_2001_t792_1m@PERMANENT

Встановіть для області меншу тестову область (роздільна здатність, отримана з вхідної ортофотографії).
g.region -p растр=ortho_2001_t792_1m n=220446 s=220075 e=639151 w=638592
Спробуйте низький поріг і перевірте результати.
i.segment group=ortho_group output=ortho_segs_l1 threshold=0.02

З візуального огляду здається, що це призводить до занадто великої кількості сегментів. Збільшення
порогове значення, використовуючи попередні результати як насіння, і встановивши мінімальний розмір 2:
i.segment group=ortho_group output=ortho_segs_l2 threshold=0.05 seeds=ortho_segs_l1 min=2
i.segment group=ortho_group output=ortho_segs_l3 threshold=0.1 seeds=ortho_segs_l2
i.segment group=ortho_group output=ortho_segs_l4 threshold=0.2 seeds=ortho_segs_l3
i.segment group=ortho_group output=ortho_segs_l5 threshold=0.3 seeds=ortho_segs_l4

Вихід ortho_segs_l4 з поріг=0.2 все ще має забагато сегментів, але вихід
з поріг=0.3 має занадто мало сегментів. Порогове значення 0.25 здається хорошим
вибір. На зображенні також є певний шум, давайте потім змусимо всі сегменти менше ніж
10 пікселів, які потрібно об’єднати в їх найбільш схожого сусіда (навіть якщо вони менш схожі
ніж вимагає наш поріг):

Встановіть регіон, щоб відповідати всій карті(ам) у групі.
g.region -p растр=ortho_2001_t792_1m@PERMANENT

прогін i.сегмент на повній карті:
i.segment group=ortho_group output=ortho_segs_final threshold=0.25 min=10

Обробка всього орто-зображення з майже 10 мільйонами пікселів займала приблизно в 450 разів більше
потім для фінального запуску.

Сегментація of панхроматичний канал
У цьому прикладі використовується панхроматичний канал сцени Landsat7, включеної на північ
Зразок набору даних Кароліни:
# створити групу з одним каналом
i.group group=односмуговий вхід=lsat7_2002_80
# встановити для обчислювальної області діапазон Landsat7 PAN
g.region растр=lsat7_2002_80 -стор
# виконати сегментацію з мінімальним розміром=5
i.segment group= односмуговий поріг=0.05 minsize=5 \
output=lsat7_2002_80_segmented_min5 goodness=lsat7_2002_80_goodness_min5
# виконати сегментацію з мінімальним розміром=100
i.segment group= односмуговий поріг=0.05 minsize=100
output=lsat7_2002_80_segmented_min100 goodness=lsat7_2002_80_goodness_min100

Оригінальний панхроматичний канал сцени Landsat7

Сегментований панхроматичний канал, мінімальний розмір=5

Сегментований панхроматичний канал, мінімальний розмір=100

ALL

Функціональність
· Подальша перевірка характеристик форми (гладкість, компактність), якщо вона
виглядає добре, це слід додати. (in прогрес)

· Відстань Малаханобіса для обчислення подібності.

Скористайтесь of Сегментація Результати
· Покращити необов'язковий вихід з цього модуля або, ще краще, додати модуль для
i.segment.metrics.

· Надання оновлень до i.maxlik щоб гарантувати, що вихід сегментації можна використовувати як
вхідні дані для існуючої функціональності класифікації.

· Інтеграція/робочий процес для р.нечіткий (Додаток).

швидкість
· Див. create_isegs.c

Посилання

Цей проект вперше був розроблений під час GSoC 2012. Проектна документація, зображення
Посилання на сегментацію та інша інформація є у вікі проекту.

Інформація про класифікацію в GRASS доступна на wiki.

Використовуйте i.segmentgrass онлайн за допомогою служб onworks.net