bildsegmentering

Bildsegmentering är processen att dela upp en bild i meningsfulla regioner eller objekt så att varje pixel tilldelas en etiket som motsvarar dess innehåll. Målet är att förenkla vidare analys, möjliggöra objektigenkänning och mätningar som är beroende av avgränsningar mellan olika strukturer.

Metoderna delas ofta in i traditionella tekniker och moderna djupinlärningsbaserade metoder. Traditionell segmentering inkluderar tröskling (globala och adaptiva), kantbaserad segmentering med kantdetektering, regionbaserad segmentering där likhet i intensitet eller textur används för att bilda regioner, och klustring som k-means eller Gaussian mixture models. Grafbaserade metoder som Normalized Cuts och vattenfall och aktiva konturer används också för att hitta gränser.

Moderna tillvägagångssätt domineras av djupinlärning. Semantisk segmentering tilldelar varje pixel en klassetikett (till exempel bil, människa, byggnad), medan instanssegmentering separerar individuella exemplar av samma klass. Vanliga arkitekturer inkluderar U‑Net, Fully Convolutional Networks (FCN), DeepLab och Mask R‑CNN. Dessa metoder kräver oftast stora mängder märkt material och är träningsintensiva.

Användningsområden innefattar medicinsk bildbehandling, fjärranalys av satellit- eller drönarbilder, bild- och videoövervakning, industriell kvalitetskontroll och dokumentanalys såsom text- och formigenkänning.

Bedömning av segmentering sker med metoder som IoU/jaccard-index, Dice-koefficienten, pixelprecision och gränsvinkelbaserad F-mått. Val av metod beror på krav på noggrannhet, beräkningseffekt och behov av att skilja gränser tydligt. Vanliga utmaningar inkluderar variation i belysning, brist på märkt data, klassobalans och generalisering över olika bilder och scenarier.