Введение
Сегментация масштабного пространства или многомасштабная сегментация - это общая структура для сегментации сигналов и изображений, основанная на вычислении дескрипторов изображений на нескольких масштабах сглаживания.
Одномерная иерархическая сегментация сигнала
Основная работа Виткина в масштабном пространстве включала в себя идею о том, что одномерный сигнал может быть однозначно сегментирован на области, при этом один масштабный параметр контролирует масштаб сегментации. Ключевое наблюдение заключается в том, что нулевые пересечения вторых производных (которые являются минимумами и максимумами первого производного или наклона) многомасштабных сглаженных версий сигнала образуют гнездовое дерево, которое определяет иерархические отношения между сегментами в разных масштабах. В частности, экстремальные наклоны в грубых масштабах могут быть прослежены до соответствующих особенностей в мелких масштабах. Когда максимальный и минимальный наклон наклонных величин уничтожают друг друга в более крупном масштабе, три сегмента, которые они разделяют, сливаются в один сегмент, таким образом, определяя иерархию сегментов.
Сегментация изображения и первичный эскиз
В этой области было проведено много исследований, из которых некоторые достигли того состояния, когда они могут применяться либо с помощью интерактивного ручного вмешательства (обычно с применением к медицинской визуализации), либо полностью автоматически. Ниже приведен краткий обзор некоторых основных идей исследований, на которых основаны современные подходы. Однако структура гнездования, описанная Виткином, специфична для одномерных сигналов и не передается тривиально в изображения более высоких измерений. Тем не менее, эта общая идея вдохновила нескольких других авторов на изучение грубых и тонких схем сегментации изображений. Коендеринк предложил изучить, как контуры изоинтенсивности эволюционируют в масштабах, и этот подход был более подробно изучен Лифшицем и Пизером. К сожалению, однако, интенсивность особенностей изображения меняется в масштабах, что означает, что трудно проследить грубомасштабные особенности изображения до более мелких масштабов с использованием информации об интенсивности ISO. Линдеберг изучил проблему связывания местных экстремальных и седловых точек по масштабам и предложил изображение, называемое первичным эскизом масштабного пространства, которое делает ясными отношения между структурами в разных масштабах, а также делает ясными, какие изображения являются стабильными в больших диапазонах масштаба, включая локально подходящие масштабы для них. Бергхолм предложил обнаружить края в грубых масштабах в масштабном пространстве, а затем проследить их обратно до более мелких масштабов с ручным выбором как масштаба грубого обнаружения, так и масштаба тонкой локализации. Гауч и Пизер изучили дополнительную проблему хребтов и долин в нескольких масштабах и разработали инструмент для интерактивной сегментации изображений на основе многомасштабных водоразделов. Использование многомасштабных водоразделов с применением к карте градиента также было исследовано Олсеном и Нильсеном и было перенесено на клиническое использование Дамом и др. Винкен и др. предложил гиперстек для определения вероятностных отношений между структурами изображений в разных масштабах. Использование стабильных структур изображения в масштабах было продвинуто Ахуйей и его сотрудниками в полностью автоматизированную систему. Полностью автоматический алгоритм сегментации мозга, основанный на тесно связанных идеях многомасштабных водосборов, был представлен Ундеманом и Линдебергом и широко протестирован в мозговых базах данных. Эти идеи многомасштабной сегментации изображений путем соединения структур изображений по масштабам также были подхвачены Флораком и Куйпером. Бижауи и Руэ связывают структуры, обнаруженные в масштабе пространства выше минимального порога шума, в объектное дерево, которое охватывает несколько масштабов и соответствует некоторой особенности в исходном сигнале. Извлеченные признаки точно восстанавливаются с использованием итеративного метода соединенного градиентного матрица.
Сегментация векторных функций времени
Сегментация масштабного пространства была расширена в другом направлении Лионом до векторных функций времени, где векторная производная не имеет максимумов и минимумов, а вторая производная не имеет нулевых пересечений, вместо этого устанавливая границы сегментов при максимумах евклидовой величины векторной производной сглаженных векторных сигналов. Этот метод применяется к сегментации речи и текста.