Görüntü Bölütleme

Görüntü bölütleme, bir görüntünün piksellerini veya bölgelerini anlamlı sınıflara ayırır. Sınıflandırmadan farklı olarak sonuç uzamsal konum bilgisini korur ve nesne ölçümü, kalite kontrol, tıbbi görüntüleme ve sahne analizi gibi işlemlere doğrudan girdi sağlar.

Klasik yöntemler

Eşikleme, yoğunluk veya başka bir skaler öznitelik üzerinden bölgeleri ayırır. Sabit aydınlatmada global eşikler yeterli olabilir; değişken aydınlatmada yerel eşikler daha kararlı sonuç verir. Otsu yöntemi sınıflar arası varyansı kullanarak otomatik eşik seçer.

Bölge büyütme, watershed ve bağlı bileşen analizi daha yapısal yaklaşımlardır. Morfolojik açma, kapama, aşındırma ve genişletme maske üzerindeki küçük bozulmaları düzenlemek için kullanılır.

Öğrenme tabanlı bölütleme

Görüntü bölütleme için U-Net benzeri encoder-decoder yapılar yoğun etiket haritası üretir. Semantic segmentation sınıf etiketler, instance segmentation tekil nesneleri ayırır, panoptic segmentation ise iki yaklaşımı birleştirir.

IoU ve Dice skoru maske örtüşmesini ölçmek için yaygın metriklerdir. Arka planın baskın olduğu veri kümelerinde yalnız piksel doğruluğu yanıltıcı olabilir.

Hesaplama ve etiket kalitesi

Yüksek çözünürlüklü maskeler daha fazla bellek ve hesaplama gerektirir. Tile tabanlı işleme küçük yapıların korunmasına yardımcı olabilir; buna karşılık birleştirme maliyeti doğurur. Etiket sınırlarındaki tutarsızlıklar da modelin öğrenebileceği üst sınırı etkiler.

Bölütleme çıktısı çoğu sistemde son ürün değil; izleme, OCR, ölçüm veya karar katmanına aktarılan ara temsildir.