|
Segmentacija digitalne fotografije temeljem naučenih uzoraka boja Segmentation of digital photography based on learned color samples Davor Antonić, Tin Antonić Sveučilište Sjever, Osnovna škola Novo Čiče Sažetak Segmentacija digitalne fotografije omogućuje izdvajanje područja fotografije od interesa temeljem geometrijskih značajki, teksture, boje i sl. Područja primjene su brojna, npr. izdvajanje vodenih površina iz zrakoplovne snimke, izdvajanje određenog tipa vegetacije iz hiperspektralnih snimki, tipizacija tkiva segmentacijom medicinske fotografije i mnoge druge. U ovom radu opisan je postupak segmentacije digitalne fotografije temeljem sličnosti boja sa skupom boja dobivenog strojnim učenjem iz skupa poznatih fotografija. Na skupu fotografija ručno su izdvojeni isječci sa dijelom scene od interesa, te su tako pripremljeni uzorci iskorišteni za učenje klasifikatora. Klasifikacija je provedena Bayesovim klasifikatorom. Poznavanje statističke razdiobe uzoraka za pojedine klase omogućuje određivanje klase za koju je vjerojatnost da joj pripada nepoznati uzorak najveća. Za problem koji sadrži M klasa, ω1, ω2, ...,ωM, moguće je definirati M uvjetnih vjerojatnosti, P(ωi|x), i = 1, 2, ..., M, koje određuju vjerojatnost da nepoznati uzorak x pripada klasi ωi. Tada se problem klasifikacije svodi na određivanje najveće P(ωi|x) za određeni uzorak x čime je automatski određena klasa kojoj pripada nepoznati uzorak. Za izračunavanje uvjetnih vjerojatnosti moguće je iskoristiti Bayesovo pravilo, što je detaljno opisano u radu. Abstract Segmentation of digital photography allows the selection of areas of interest based on geometric features, texture, color, etc. Areas of application are numerous, e.g. separation of water surfaces from aerial imagery, isolation of certain types of vegetation from hyperspectral imaging, tissue typing by segmentation of medical photography and many others. This paper describes the process of segmentation of digital photography based on the similarity of colors with a set of colors obtained by machine learning from a set of known photographs. In the set of photographs, parts of the scene of interest were manually selected, and the samples prepared in this way were used to learn the classifier. The classification was performed using the Bayesian classifier. Knowing the statistical distribution of samples for individual classes makes possible the determination of the class for which the probability that unknown sample belongs to that class is highest. For a problem containing M classes, ω1, ω2, ..., ωM, it is possible to define M conditional probabilities, P (ωi | x), i = 1, 2, ..., M, which determine the probability that the unknown sample x belongs to the class ωi. The problem of classification is reduced to determining the largest P(ωi|x) for particular sample x, which automatically determines the class to which the unknown sample belongs. It is possible to use the Bayesian rule to calculate the conditional probabilities, which is described in detail in the paper.
|