beeldsegmentatie

Beeldsegmentatie is het proces waarbij een afbeelding wordt opgesplitst in meerdere regio's die elk semantisch coherente delen van de scène vertegenwoordigen. Het doel is pixels te labelen zodat elke pixel een objectklasse of regionaal label krijgt, waardoor grenzen tussen objecten en oppervlakken helder worden.

Er bestaan verschillende soorten segmentatie: semantische segmentatie, instance segmentatie en panoptic segmentatie. Semantische segmentatie kent elke pixel een klasse toe zonder onderscheid tussen objecten van dezelfde soort; instance segmentatie telt aparte objecten en labelt elk object apart; panoptic segmentatie combineert beide benaderingen en levert zowel klasse-labels als individuele objectidentiteiten voor alle pixels.

Methoden variëren van klassieke beeldverwerking tot hedendaagse machine learning. Traditionele technieken omvatten drempelen, randdetectie, watersheds en region-growing. Moderne methoden gebruiken diepe neurale netwerken, zoals U-Net voor pixel-wise labeling en Mask R-CNN of DeepLab voor respectievelijk instance- en semantische taken. Deze leergebaseerde benaderingen trainen op gelabelde beelden en kunnen complexe structuren en variëteit in afbeeldingen beter modelleren.

Beoordeling gebeurt met metrics als Intersection over Union (IoU), pixelnauwkeurigheid en boundary F1-score. Veelgebruikte datasets zijn PASCAL VOC, COCO, Cityscapes en BSDS500, die benchmarks bieden voor verschillende segmentatietaken en -toepassingen.

Toepassingen bevinden zich onder meer in medische beeldvorming, autonome voertuigen, remote sensing en landgebruik, landbouw en industrielle inspectie. Uitdagingen zijn variabiliteit van opnames, ruis, schaduwen, overlap tussen objecten en hoge rekenkosten. Trends richten zich op panoptic segmentation, zelf-supervised leren en efficiënte modellen voor real-time verwerking.