クラスタリングによる領域分割とは何ですか?
クラスタリングによる領域分割は、色、強度、テクスチャ、学習済み特徴の類似性に基づいて画素や領域をグループ化します。得られた各クラスタは、既知の意味を持つ物体ではなく、画像領域の候補として扱います。
クラスタリングによる領域分割の仕組み
各画素を、チャネル値、テクスチャの測定値、空間座標、埋め込みなどを含む特徴ベクトルで表します。次に k-means などのアルゴリズムで類似したベクトルをグループに割り当て、必要に応じて連結成分や境界を整えます。グループのラベルが示すのは統計的な類似性であり、物体の識別情報ではないため、ひとつのクラスが離れた複数の領域に分布することがあります。測定、マスク作成、意味を扱うモデルによる処理の前段階として、教師なし学習で行うことが多い処理です。
要点
- k-means ではクラスタ数を指定する必要があり、特徴空間内でおおむねコンパクトなグループを形成する傾向があります。シードと設定を管理しないと、初期化によって最終的な分割結果が変わることがあります。
- 特徴ベクトルに画素の座標を追加すると、空間的にまとまった領域を形成しやすくなります。ただし、色の特徴量に対する座標のスケールによって、近接する画素と見た目が似た画素のどちらが優先されるかが決まります。
- 生の RGB 値をクラスタリングすると、材質の違いではなく照明の変化を分離してしまうことがあります。知覚に基づく色空間や輝度と色差を分ける色空間を使うと、選択した距離尺度がより意味のあるものになる場合があります。
クラスタリングによる領域分割が重要になる場面
ラベル付きの学習データがない場合に、背景の分離、領域の発見、前処理に活用します。結果は特徴量の選択とクラスタ数に依存し、見た目が似た物体がひとつにまとめられることがあります。