влияние ligting на сегментацию изображения в matllab

Первое правило сегментации: «Постарайтесь описать, как вы (как человек) смогли провести сегментацию». Как только вы это сделаете, алгоритм станет ясен. Другими словами, вы должны выполнить следующие 2 задачи:

1. Определите уникальные особенности каждой сегментированной части (в вашем случае - чем отличается сало от мяса).
2. Выберите наиболее подходящий вам классификатор (C-средние, нейронная сеть, SVM, дерево решений, усиленный классификатор и т. д.). Этот классификатор будет работать с функциями, выбранными на шаге 1.

Кажется, вы пропустили шаг 1, и это проблема вашего алгоритма.

Вот мои наблюдения:

1. Яркость пикселя не делает различий между мясом и жиром. Это зависит в основном от освещения, угла наклона ткани и зеркального отражения. Итак, вы должны убрать яркость
2. Кажется, что жир более "желтый". другими словами, соотношение красного цвета к зеленому цвету для мяса намного выше, чем для жира. Это та особенность, с которой я бы начал реализацию. Чтобы использовать эту функцию, преобразуйте изображение RGB в YUV или HSV. Если вы работаете с YUV, полностью откажитесь от Y и запустите свой классификатор на плоскости V. В HSV запустите его на плоскости H. Таким образом, вы отбросите яркость и будете иметь дело только с цветами (в основном с красной и зеленой составляющей). Я рекомендую также использовать эти цветовые пространства для разделения фона.
3. Следующий шаг - вы должны добавить больше признаков в свой классификатор, так как цвета будет недостаточно. Другое наблюдение заключается в том, что мясо является гораздо более гибкой тканью, поэтому на нем будет больше складок, а жир имеет тенденцию быть более гладким. Вы можете искать ребра и вставлять абсолютное количество ребер в качестве еще одной функции в свой классификатор.
4. Продолжайте наблюдать за своими результатами, определите, где классификатор допустил ошибки, и попытайтесь придумать другие новые функции, чтобы лучше разделить две текстуры. Пример функций, которые могут быть очень хорошими в вашем случае: HOG, LBP на пирамиде изображений, функции MCT, три патча lbp, (x,y)-проекции. Моя интуиция подсказывает, что больше всего вам поможет 3-patch-lbp, но мне очень сложно объяснить, почему.
5. Личное предложение: я не знаю, какие функции реализованы в Matlab. Но вы должны начать с уже существующих функций, чтобы сэкономить время на написание большого количества нового кода. Например, я знаю, что функции HAAR уже реализованы в Matlab, но сами по себе они могут быть недостаточно описательными для вашего случая. Объедините несколько типов функций, чтобы получить наилучший результат, и избегайте использования перекрывающихся функций (две разные функции, которые захватывают почти одинаковую информацию на изображении). Например, если вы используете MCT, не используйте LBP.

Для получения дополнительной информации вы можете прочитать мой ответ здесь о сходстве текстур. . У вас есть обратная проблема (вместо измерения сходства вы хотите обучить классификатор, который различает непохожие текстуры). Но структура решения идентична. Определите важные функции, которые различают текстуры, объедините функции в вектор и запустите классификатор. Вы можете запускать классификатор на каждом пикселе или на участках изображения небольшой площади (скажем, 5x5 пикселей). Результат, который вы ожидаете, - это обучить такой умный классификатор, который для каждого участка изображения может сказать вам, напоминает ли он больше кусок мяса или жира.

Если у вас нет выходных меток, вам необходимо применить алгоритм обучения без учителя для классификации. Для многих изображений человеческий глаз не является идеальным инструментом для классификации. Вот почему тогда мы используем компьютеры :D Так как они могут показать нам распределение интенсивности и предоставить различные классы. Одной из альтернатив является использование связанных компонентов для идентификации и разделения классов жир-мясо и BG, поскольку они имеют совершенно разные интенсивности, за исключением границ между средним значением и жиром.

Вы можете увидеть результат моей сегментации на основе пороговых значений с различными параметрами. Пожалуйста, дайте мне знать, если вы этого хотите, чтобы я мог помочь вам с кодом. Лучшие