segmentatieprobleem

Het segmentatieprobleem is het probleem van het opdelen van een verzameling data, signalen of beelden in afzonderlijke, betekenisvolle segmenten op basis van overeenkomsten in kenmerken of patronen. Segmentatie komt voor in verschillende vakgebieden, zoals statistiek, patroonherkenning, beeldanalyse en marketingonderzoek, en wordt vaak gebruikt om objecten, gebeurtenissen of klantgroepen identificeerbaar te maken.

Wiskundig kan segmentatie worden gezien als het vinden van een partition van een dataset X in disjuncte subsets S1,...,Sk zodat X = ⋃i Si en Si ∩ Sj = ∅ voor i ≠ j. Het doel is meestal om de homogeniteit binnen segmenten te maximaliseren en de afwijking tussen segmenten te vergroten, wat kan worden gemotiveerd door een kostenfunctie zoals de som van intra-segment variatie, of door het maximaliseren van de waarschijnlijkheid onder een model. In beeldsegmentatie kan men werken met rand- en data-fit termen via energiefuncties zoals Mumford-Shah of grafiek-energieën (min-cut, normalized cut).

Veelgebruikte methoden zijn onder meer ongesuperviseerde clustering (k-means, hiërarchische clustering, spectrale clustering), probabilistische modellen (Gaussian mixture modellen), grafische aanpakken (min-cut en normalized cut), variational en randverwerkingsmethoden, en recente deep learning-methoden voor pixelgewijze segmentatie (convolutionele netwerken zoals U-Net).

Toepassingen omvatten beeld- en medische beeldvorming, satelliet- en geospatiale analyse, video-analyse en marketingsegmentatie voor consumentengroepen. Belangrijke uitdagingen zijn het kiezen van het aantal segmenten, ruis en variabiliteit, schaal en nabijheidsbeperkingen, en de evaluatie van de kwaliteit van segmentaties met indexen als IoU, Rand-index of interne homogeniteitsmetingen.