Presentation laddar. Vänta.

Presentation laddar. Vänta.

Schedule F6: Segmentation and Clustering F7: Multispectral Images (Sune Svanberg) F8: Segmentation and Fitting F9: Segmentation, Recognition and Classification.

Liknande presentationer


En presentation över ämnet: "Schedule F6: Segmentation and Clustering F7: Multispectral Images (Sune Svanberg) F8: Segmentation and Fitting F9: Segmentation, Recognition and Classification."— Presentationens avskrift:

1 Schedule F6: Segmentation and Clustering F7: Multispectral Images (Sune Svanberg) F8: Segmentation and Fitting F9: Segmentation, Recognition and Classification (Kalle Åström) F10: Statistical Image Analysis (Finn Lindgren) F11: Computer Vision …

2 K-means clustering using intensity alone and color alone Image Clusters on intensityClusters on color

3 K-means using color alone, 11 segments Image Clusters on color

4

5

6 Results of Two-Class Segmentation P. Strandmark, F. Kahl, Optimizing Parametric Total Variation Models,Optimizing Parametric Total Variation Models to appear, International Conference on Computer Vision, Sep., Kyoto, Japan 2009.

7 RANSAC (RANdom SAmple Consensus) 1.Slumpmässigt välj minimal delmängd av datapunkter för att anpassa modellen (ett sampel) 2.Punkter med avstånd mindre än en tröskel t av modellen är en consensus-mängd. Storleken av mängden är modellens stöd 3.Repetera för k sampel; modell med största stöd är den med “bästa” robusta anpassningen –Punkter med avstånd mindre än t är inliers –Anpassa sedan slutgiltiga modellen till alla inliers Två sampel Och deras stöd för linje-anpassning från Hartley & Zisserman

8 RANSAC : Hur många iterationer? Hur många iterationer behövs? Antag w är andelen inliers. n punkter, ett sampel, behövs för att definiera en hypotes (2 för linjer) k iterationer. Sannolikheten att ett sampel av n punkter är korrekt: Sannolikheten att alla sampel misslyckas är: Välj k så stort att den önskade misslyckande-frekvensen är uppfylld.

9 RANSAC: Beräknat k ( p = 0.99 ) Sampel storlek Andelen outliers N 5%10%20%25%30%40%50% från Hartley & Zisserman

10 Efter RANSAC RANSAC delar data i inliers och outliers, och även ett estimat på modellparametrar Förbättra detta estimat med alla inliers (t.ex. med minstakvadrat metoden) Detta kan ändra inlier-mängden så upprepa klassificering av inlier- resp. outlier-mängder från Hartley & Zisserman


Ladda ner ppt "Schedule F6: Segmentation and Clustering F7: Multispectral Images (Sune Svanberg) F8: Segmentation and Fitting F9: Segmentation, Recognition and Classification."

Liknande presentationer


Google-annonser