Was ist clusterbasierte Segmentierung?
Clusterbasierte Segmentierung gruppiert Pixel oder Regionen anhand von Ähnlichkeiten in Farbe, Intensität, Textur oder erlernten Merkmalen. Jeder resultierende Cluster gilt als mögliche Bildregion und nicht als bekanntes semantisches Objekt.
So funktioniert clusterbasierte Segmentierung
Jedes Pixel wird durch einen Merkmalsvektor dargestellt, der Kanalwerte, Texturmesswerte, räumliche Koordinaten oder ein Embedding enthalten kann. Ein Algorithmus wie k-Means ordnet ähnliche Vektoren anschließend Gruppen zu; mitunter werden danach Zusammenhangskomponenten oder Grenzen bereinigt. Die Gruppenbezeichnungen beschreiben statistische Ähnlichkeit, keine Objektidentität. Daher kann eine Klasse mehrere voneinander getrennte Bereiche belegen. Dies ist häufig eine unüberwachte Verarbeitungsstufe vor der Messung, Maskierung oder einem semantischen Modell.
Wichtige Fakten
- k-Means benötigt eine festgelegte Clusteranzahl und bevorzugt tendenziell annähernd kompakte Gruppen im Merkmalsraum; die Initialisierung kann die endgültige Aufteilung verändern, sofern Startwerte und Einstellungen nicht kontrolliert werden.
- Pixelkoordinaten im Merkmalsvektor begünstigen räumlich zusammenhängende Regionen. Ihre Skalierung im Verhältnis zu Farbmerkmalen bestimmt jedoch, ob benachbarte oder visuell ähnliche Pixel stärker ins Gewicht fallen.
- Beim Clustering unverarbeiteter RGB-Werte können statt Materialien Beleuchtungsunterschiede getrennt werden; wahrnehmungsorientierte Farbräume oder Luminanz-Chrominanz-Farbräume können die gewählte Distanzmetrik aussagekräftiger machen.
Wann clusterbasierte Segmentierung wichtig ist
Nutzen Sie das Verfahren zur Hintergrundtrennung, zum Auffinden von Regionen oder zur Vorverarbeitung, wenn keine gelabelten Trainingsdaten verfügbar sind. Die Ergebnisse hängen von der Merkmalswahl und der Clusteranzahl ab; visuell ähnliche Objekte können zusammengeführt werden.