TWI629666B - 用於影像物件分割之區塊錯誤量測方法 - Google Patents
用於影像物件分割之區塊錯誤量測方法 Download PDFInfo
- Publication number
- TWI629666B TWI629666B TW106110089A TW106110089A TWI629666B TW I629666 B TWI629666 B TW I629666B TW 106110089 A TW106110089 A TW 106110089A TW 106110089 A TW106110089 A TW 106110089A TW I629666 B TWI629666 B TW I629666B
- Authority
- TW
- Taiwan
- Prior art keywords
- error
- block
- ratio
- foreground
- value
- Prior art date
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 61
- 238000000691 measurement method Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
- H04N21/234327—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by decomposing into layers, e.g. base layer and one or more enhancement layers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
- H04L1/203—Details of error rate determination, e.g. BER, FER or WER
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/20—Contour coding, e.g. using detection of edges
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0057—Block codes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本發明係提供一種用於影像物件分割之區塊錯誤量測方法,其步驟包含:將具有目標物件的參考影像劃分為複數相互不重疊之區塊,係將該參考影像與分割結果影像進行疊合處理,以求得所述區塊之錯誤比率,藉由界定增強方程式及修正方程式,以抑制零散錯誤(Scattered Error),並強化突顯成塊錯誤(Region Error),藉以計算分割結果影像之錯誤量值,進而可予評估影像分割之效能;且本發明較傳統畫素為基礎之錯誤量測方法,在高階意涵(Semantic)上更為準確。
Description
本發明係提供一種用於影像物件分割之區塊錯誤量測(Block-Based Error Measure)方法,尤指一種用以分析評估影像分割之效能者。
按,影像物件分割於電腦視覺係一重要之研究課題,其主因在於,其所應用之範圍相當廣泛,諸如:物件辨識、視訊監控、人機介面,及交通監控等,是以,學界與業界皆投入影像物件分割之研發,而開創諸多物件之分割方法,然而,對於物件分割結果優劣之評估,卻較少受到關注,此對於影像物件分割之發展是不利的。
習知對於分割性能之評估,係採用基於畫素錯誤之量測(pixel-based error measure),其主要係用以計算標準物件與分割後物件之畫素錯誤,然而,其並未考慮分割錯誤之空間分佈,惟錯誤之空間分佈對於後續高階的意涵處理(Semantic Processing)是非常重要的,舉例而言,若分割錯誤成塊出現,可能代表某一標準物件經分割後具有缺塊之情事,此將對後續之高階處理,如:物件辨識,將有造成錯誤的辨識結果之疑慮;反之,分割錯誤如果係屬零散型(Scattered Error),則對於辨識結果影響就很有限,因此成塊錯誤(Region Error)遠較零散錯誤重要許多。
如第1a圖所示,其呈現一參考影像10,其具有目標物件101,而第1b圖所示者為經物件分割後之分割結果影像20,顯見該分割結果影像20具有背景成塊錯誤之情事,假設參考影像10具有B個尺寸為
的背景區塊,F個尺寸為
的前景區塊,且皆具有K個
的錯誤畫素,則習知基於畫素錯誤之量測,對於分割結果影像20之背景影像201之錯誤量測係如下數學式1所示: 【數學式1】
且錯誤量測分析圖係如第2圖所示,並由數學式1可知,習知基於畫素錯誤之量測,並不考慮錯誤區塊
l之大小,只與錯誤畫素之數量K有關,因此,其計算後之結果為常數,故如第2圖所示,於每一行(K)之錯誤量值(圓柱之高度)皆相同,顯見習知對於畫素錯誤之量測,並無法表現成塊錯誤之出現。
同理,第1c圖所示,其呈現了前景成塊錯誤之情事,習知對於分割結果影像20之前景影像202之錯誤量測則係如下數學式2所示: 【數學式2】
同如前述,其計算後之結果亦同樣為常數,同樣無法表現出分割結果影像20具有成塊錯誤之情事。
有鑑於此,吾等發明人乃潛心進一步研究評估影像物件分割之效能,並著手進行研發及改良,期以一較佳發明以解決上述問題,且在經過不斷試驗及修改後而有本發明之問世。
爰是,本發明之目的係為解決前述問題,為達致以上目的,吾等發明人提供一種用於影像物件分割之區塊錯誤量測方法,其步驟包含:將具有至少一目標物件的一參考影像(reference image)劃分為複數相互不重疊之區塊;將該參考影像與一分割結果影像進行疊合處理,以求得所述區塊之錯誤比率(error ratio);界定一門檻值,並依據該門檻值及所述錯誤比率界定一增強方程式,以將所述錯誤比率轉換為增強錯誤比;將所述區塊分別依據其增強錯誤比,及其與周圍相鄰之所述區塊之相關性(correlation),以分別計算一修正權重值,進一步強化所述區塊之增強錯誤比;以及根據所述修正權重值予以計算該分割結果影像之錯誤量值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含:界定所述區塊中非具有目標物件者為背景區塊,並將剩餘之部份定義為前景區域;於所述前景區域進一步分割為複數相互不重疊之前景區塊,並界定具有所述目標物件者為前景物件區塊,而非具有目標物件者為非景物件區塊;於進行疊合處理後,取得所述前景區塊之漏偵像素及前景誤報像素,以及所述背景區塊之背景誤報像素;以及界定錯誤比率包含前景漏偵比(miss detection ratio)、前景誤報比(foreground false alarm ratio)及背景誤報比(background false alarm ratio),其中,所述前景漏偵比為所述前景物件區塊中,所述漏偵像素與所述前景物件區塊總像素之比值,所述前景誤報比為所述前景物件區塊中,所述前景誤報像素與所述非景物件區塊總像素之比值,而所述背景誤報比係所述背景區塊中,所述背景誤報像素與所述背景區塊總像素之比值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含:依據所述錯誤比率分別計算一比率權重值;以及依據該門檻值、所述錯誤比率及所述比率權重值界定該增強方程式(error enhanced equation)。
據上所述之用於影像物件分割之區塊錯誤量測方法,其中,所述前景漏偵之比率權重值為所述前景物件區塊與所述前景區塊之比值,所述前景誤報之比率權重值為所述非景物件區塊與所述前景區塊之比值,所述背景誤報之比率權重值為所述背景誤報像素與所述背景區塊之比值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含:依據所述錯誤比率通過該門檻值之數值界定一控制變數;以及將所述錯誤比率給予對應之所述控制變數以強化對應之所述錯誤比率。
據上所述之用於影像物件分割之區塊錯誤量測方法,其中,該增強方程式係如下式1所示:
(式1)
其中, 該參考影像具有F個前景區塊及B個背景區塊,
;
為前景漏偵比;
為前景誤報比;
為背景誤報比;
及
為所述錯誤比率之增強錯誤比;
為前景漏偵之比率權重值;
為前景誤報之比率權重值;
為背景誤報之比率權重值;T為門檻值;t為控制變數。
據上所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含:依據所述增強錯誤比、比率權重值、門檻值及修正權重值界定一修正方程式(error modification equation),以求得每一所述區塊之一錯誤修正值;以及根據所述錯誤修正值予以計算該分割結果影像之錯誤量值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其中,所述修正權重值係由所述區塊分別依據其增強錯誤比,及其與周圍相鄰之所述區塊所含所述目標物件之比率所計算求得者。
據上所述之用於影像物件分割之區塊錯誤量測方法,其中,所述錯誤量值為所述錯誤修正值分別對應所述前景區塊及背景區塊之平均值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含:依據所述增強錯誤比、比率權重值、門檻值及修正權重值界定一修正方程式,以求得每一所述區塊之一錯誤修正值;以及根據所述錯誤修正值予以計算該分割結果影像之錯誤量值;其中,該修正方程式係如下式2所示:
(式2)
其中,
及
為錯誤修正值;
、
、
及
為修正權重值,
h為所述區塊之相鄰的區塊所形成集合之成員值,
l為所述區塊及其相鄰之區塊所形成集合之成員值。
據上所述之用於影像物件分割之區塊錯誤量測方法,其中,所述錯誤量值係將所述錯誤修正值依據下式3而求得:
(式3)
其中,
及
為錯誤量值。
是由上述說明及方法,顯見本發明主要具有下列數項優點及功效,茲逐一詳述如下:
1.本發明係藉由劃分影像成區塊,以計算分割結果影像與參考影像於區塊之錯誤比率,並將錯誤比率代入增強方程式及修正方程式,以抑制零散錯誤(Scattered Error),並強化突顯成塊錯誤(Region Error),藉可予以計算分割結果影像之錯誤量值,進而可予評估影像分割之效能,以利對於後續高階之意涵處理(Semantic Processing)者。
關於吾等發明人之技術手段,茲舉數種較佳實施例配合圖式於下文進行詳細說明,俾供 鈞上深入了解並認同本發明。
請先參閱第3圖所示,本發明係一種用於影像物件分割之區塊錯誤量測方法,其步驟包含:
S001:將具有至少一目標物件101的一參考影像10劃分為複數相互不重疊之區塊;在一具體之實施例中,係假設該參考影像10為I
g,其面積為
;設該參考影像10包含有目標物件101及非目標物件101此二類之像素,並指定含有目標物件101之像素為1,不含目標物件101之像素為0;且係將參考影像10劃分為
個區塊,並界定所述區塊中非具有目標物件101者為背景區塊BB,並將剩餘之部份定義為前景區域;
而後,將所述前景區域進一步分割為
相互不重疊之前景區塊FB,並界定具有所述目標物件101者為前景物件區塊FO,而非具有目標物件101者為非景物件區塊FNO;
因此,對於參考影像10,係可分割為F個前景區塊及B個背景區塊,故可得下數學式3: 【數學式3】
並如前述,對於前景區塊FB而言,每一前景區塊包含有目標物件101及非目標物件101此二類之像素,並分別指定為1及0,故可定義如下數學式4所示: 【數學式4】
Where
由前述數學式4可得下數學式5: 【數學式5】
而對於背景區塊BB而言,其僅包含不含目標物件101之像素,故可界定如下數學式6所示: 【數學式6】
另對於一分割結果影像20而言,設分割結果影像20為I
s,其面積同樣為
;且其包含有目標物件101之像素SO及非目標物件101之像素SNO,故係可被定義如下數學式7所示: 【數學式7】
Where
S002:將該參考影像10與分割結果影像20進行疊合處理,以求得所述區塊之錯誤比率(error ratio);
在一具體之實施例中,經疊合後,可對每一前景區塊進行分割,如第4圖及下數學式8所示: 【數學式8】
and
So
其中,
為前景區塊
中,未被偵測到之像素數量
,即漏偵像素。
為前景區塊
中,被正確偵測之像素數量
。
為前景區塊
中,背景像素被正確偵測之像素數量
。
為前景區塊
中,被誤報之的像素數量
,即前景誤報像素。
而對每一背景區塊
而言,亦可進行如前述之分割,如第5圖及下數學式9所示: 【數學式9】
其中,
為背景區塊
中,被正確偵測之像素數量
。
為背景區塊
中,被錯誤偵測之像素數量
,即背景誤報像素。
如前述者,即可予以計算錯誤比率,而於本實施例中,錯誤比率係包含前景漏偵比(miss detection ratio)、前景誤報比(foreground false alarm ratio)及背景誤報比(background false alarm ratio),且所述前景漏偵比為所述前景物件區塊中,所述漏偵像素
與所述前景物件區塊總像素之比值,所述前景誤報比為所述前景物件區塊中,所述前景誤報像素
與所述非景物件區塊總像素之比值,而所述背景誤報比係所述背景區塊中,背景誤報像素
與所述背景區塊總像素之比值。
前景區塊
之前景漏偵比
,係如下數學式10所示: 【數學式10】
其中,
為前景區塊
中,具有目標物件101之像素數量,
為偵測遺漏之像素數量。
前景區塊
之前景誤報比
,係如下數學式11所示: 【數學式11】
其中,
為前景區塊
中,具有非目標物件101之像素數量,
為誤報之像素數量。
背景區塊
之背景誤報比,係如下數學式12所示: 【數學式12】
其中,
為背景區塊
中之像素數量,
為誤報之像素數量。
S003:界定一門檻值,並依據該門檻值及所述錯誤比率界定一增強方程式(error enhanced equation),以將所述錯誤比率轉換為增強錯誤比;在一較佳之實施例中,係依據所述錯誤比率分別計算一比率權重值,以依據該門檻值、所述錯誤比率及所述比率權重值界定該增強方程式,是以,在一實施例中,所述前景漏偵之比率權重值為所述前景物件區塊與所述前景區塊之比值,所述前景誤報之比率權重值為所述非景物件區塊與所述前景區塊之比值,所述背景誤報之比率權重值為所述背景誤報像素與所述背景區塊之比值。
具體而言,增強方程式之目的在於,對於錯誤比率,越大之誤差給予更大之計量,而低的誤差將予以適當之降低。此外,對於比率權重值,較小的目標物件101應予濾除,以避免造成大的誤差。
舉例而言,如第6圖所示,當目標物件101之畫素於前景區塊之比率在0.7處時,當漏偵畫素為20,會造成前景漏偵比為0.6,然而,若目標物件101之畫素於前景區塊之比率為0.2時,漏偵畫素為5,即造成前景漏偵比為0.6,故顯見,較小之目標物件101將易造成較大之錯誤比率。
是以,為滿足前述條件,故在一較佳之實施例中,錯誤增強之原則如下:
1.對於小的錯誤比率加以壓抑,而對較大之錯誤比率則予增強處理,因此,可藉由界定門檻值T,令小於門檻值T之錯誤比率忽略,而對於大於門檻值T者,則依其值之大小,而給予相對應強化權重之控制變數t,令錯誤比率越大,則強化權重越高。
2.對於過小之目標物件101區域
及分割目標物件101區域
,將導致錯誤比率有過大之問題,故需依照目標物件101區域之大小給予對應之權重處理,如下數學式13所示: 【數學式13】
,
,
其中,
為前景漏偵之比率權重值,
為前景誤報之比率權重值,
為背景誤報之比率權重值。藉可予以表示,在每一區塊內,目標物件101及分割區域所佔之比例,比率權重值越高,代表對應之誤差量越重要,是以,在一較佳之實施例中,增強方程式將被定義為下數學式14所示: 【數學式14】
其中,
及
為所述錯誤比率之增強錯誤比。
藉以將所有區塊計算後之錯誤比率,透過前述之增強方程式,以將錯誤比率轉換為增強錯誤比。
在一具體之實施例中,錯誤比率與增強錯誤比之關係圖,係概如第7圖所示,門檻值T為誤差考慮之下限,如:0.1,並設定控制變數t為0.1,
,而
。
S004:將所述區塊分別依據其增強錯誤比,及其與周圍相鄰之所述區塊之相關性,如:所含所述目標物件101之比率,以分別計算一修正權重值,由於大面積之錯誤區域會引起嚴重之視覺注視,而較小面積之錯誤區域則可予相對忽視,是以,透過相鄰之區塊所含目標物件101之比率多寡,可據以研判錯誤區域是否屬於大量錯誤發生之一部分,若目前處理的區塊存在大量的錯誤,而其相鄰之區塊若亦存在大量錯誤,則會使誤差在整體視覺上更為明顯,因此需要利用相鄰之區塊之誤差量,再次修正提升或調降誤差之重要性。
故在一實施例中,係依據所述增強錯誤比、比率權重值、門檻值及修正權重值界定一修正方程式(error modification equation),以求得每一所述區塊之一錯誤修正值;
且在一較佳之實施例中,為使錯誤修正值
及
定義於[0,1]之間,故該修正方程式可被定義為下數學式15所示: 【數學式15】
其中,
、
、
及
為修正權重值,
h為所述區塊之相鄰的區塊所形成集合之成員值,
l為所述區塊及其相鄰之區塊所形成集合之成員值。
承上所述,由於計算時是取相鄰之區塊之錯誤面積權重,因此總會大於參與計算之相關區塊之錯誤面積權重總和,而因所有的
及
皆介於 [0, 1],故ME必介於 [0, 1]。
此外,若當前所計算之區塊計其相鄰之區塊皆為有效的,且當前所計算之區塊之錯誤高於相鄰之區塊,則將形成較大之錯誤區域,故可更進一步予以增強修正,故於本發明之實驗中,此界定方式是簡單且有效的,而無需界定額外之閾值參數。
S005:當求得修正權重值後,即可根據所述修正權重值予以計算該分割結果影像20之錯誤量值,較佳者,係依據所計算求得之錯誤修正值予以計算該分割結果影像20之錯誤量值;而對於錯誤量值,在一較佳之實施例中,為所述錯誤修正值分別對應所述前景區塊及背景區塊之平均值,如下數學式16所示: 【數學式16】
(式3)
其中,
及
為錯誤量值。
實施例一:
藉由前述,依據本發明計算如第1b圖所示分割結果影像20之錯誤量值,同如前述,假設參考影像10全部具有B個尺寸為
的背景區塊,F個尺寸為
的前景區塊,且具有K個
的錯誤畫素,且為表示錯誤區域成塊出現,故假設具有L個背景區塊,且為表示方便,另假設錯誤之區域平均分布在該L個之背景區塊內,同時,該錯誤區域為
之矩形,且其中,
;因此,可設背景區塊
,為含有錯誤之背景區塊,其餘背景區塊
為不含有錯誤之背景區塊,故如下數學式17所示: 【數學式17】
經過增強方程式調整,可得下數學式18所示: 【數學式18】
故可整理得下數學式19所示: 【數學式19】
由於假設錯誤區域為
之矩形,故所述區塊可進一步分析如下:
1.位於四角落之區塊,含有三個相鄰之區塊。
2.位於邊界之區塊,共有
個,且分別含有五個相鄰之區塊。
3.位於內部之區塊,共有
個,且分別含有八個相鄰之區塊。
將上述者代入上數學式15、16所示之修正方程式,並計算其錯誤量值,統整如下數學式20所示: 【數學式20】
由數學式20可知,經增強方程式及修正方程式之處理後,其錯誤量測分析圖如第8圖所示,可見於相同之L個之背景區塊內,錯誤量值會隨錯誤數量而變化(即K個
的錯誤畫素),且呈現之錯誤數量越多,則錯誤量值將越大幅度調整,此外,於相同之錯誤數量下,錯誤量值亦將隨背景區塊數量L之大小而變化。
並請參閱第9圖所示,其係本發明與習知之錯誤量測分析圖的錯誤量值之差值,其可觀察到,在背景區塊數量L分布較大時,而錯誤量較小時,代表為零散型之錯誤,故本發明將可予以壓抑零散錯誤,因此相對於習知有較小之錯誤量值,如第9圖中左前方之負值區域;而對於第9圖中間對角線之區域,則係越往後方(即每一背景區塊分配較多錯誤量時),則錯誤量值之調升幅度越大。
實施例二:
如第10a圖所示,假設錯誤平均分佈於B個背景區塊內,故可假設
為含有錯誤的背景區塊。
故如下數學式21所示: 【數學式21】
此將與習知相同,然而當K/B之值小於T時,則將被強制計算為0,而較小的值,亦將被增強方程式所壓抑,本實施例其餘之實施方式皆與實施例一近似,故在此不予贅述。
實施例三:
如第1c圖所示,假設全部具有F個尺寸為
的前景區塊,為表示錯誤成塊出現,設此錯誤區域包含P個前景區塊,且為利於表示,故假設錯誤平均分布於所述P個前景區塊內,同時,錯誤區域為
之矩形,且其中,
,故可假設前景區塊
,為含有錯誤之前景區塊,其餘前景區塊
為不含有錯誤之前景區塊,故如下數學式22所示: 【數學式22】
經增強方程式調整,可得下數學式23所示: 【數學式23】
整理後可得下數學式24: 【數學式24】
由於假設錯誤區域為
之矩形,故區塊分別位於角落、邊界及內部之數量及其相鄰之區塊已見於前述,故直接代入上數學式15、16所示之修正方程式,並計算其錯誤量值,統整如下數學式25所示: 【數學式25】
由數學式25可知,同如前述,於相同之P個之前景區塊內,錯誤量值會隨錯誤數量而變化(即K個
的錯誤畫素),且呈現之錯誤數量越多,則錯誤量值將越大幅度調整,此外,於相同之錯誤數量下,錯誤量值亦將隨前景區塊數量P之大小而變化。
實施例四:
如第10b圖所示,假設錯誤平均分佈於F個前景區塊內,故可假設
為含有錯誤的背景區塊。
故如下數學式26所示: 【數學式26】
如前所述,當K/F之值小於T時,則將被強制計算為0,而較小的值,亦將被增強方程式所壓抑,本實施例其餘之實施方式皆與前述之實施例近似,故在此不予贅述。
揆諸所述說明,本發明應用於前景區域之遺漏偵測,如第10c圖及第10d圖所示,亦有相同之結論,故在此亦不予贅述。
綜上所述,本發明所揭露之技術手段確能有效解決習知等問題,並達致預期之目的與功效,且申請前未見諸於刊物、未曾公開使用且具長遠進步性,誠屬專利法所稱之發明無誤,爰依法提出申請,懇祈 鈞上惠予詳審並賜准發明專利,至感德馨。
惟以上所述者,僅為本發明之數種較佳實施例,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明書內容所作之等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
10‧‧‧參考影像
101‧‧‧目標物件
20‧‧‧分割結果影像
201‧‧‧背景影像
202‧‧‧前景影像
S001-S005‧‧‧步驟
101‧‧‧目標物件
20‧‧‧分割結果影像
201‧‧‧背景影像
202‧‧‧前景影像
S001-S005‧‧‧步驟
第1a圖係參考影像之示意圖。 第1b圖係分割結果影像中,背景區域具有成塊錯誤之示意圖。 第1c圖係分割結果影像中,前景區域具有成塊錯誤之示意圖。 第2圖係習知基於畫素錯誤之量測方法的錯誤量測分析圖。 第3圖係本發明之步驟流程示意圖。 第4圖係本發明前景區塊之集合分析圖。 第5圖係本發明背景區塊之集合分析圖。 第6圖係本發明錯誤比率之實驗線圖。 第7圖係本發明錯誤比率與增強錯誤比之實驗關係圖。 第8圖係本發明實施例一之錯誤量測分析圖。 第9圖係本發明實施例一與習知錯誤量值之差值分析圖。 第10a圖係分割結果影像中,背景區域具有零散錯誤之示意圖。 第10b圖係分割結果影像中,前景區域具有零散錯誤之示意圖。 第10c圖係分割結果影像中,前景區域具有偵測漏偵之示意圖。 第10d圖係分割結果影像中,前景區域具有偵測漏偵之另一示意圖。
Claims (11)
- 一種用於影像物件分割之區塊錯誤量測方法,其步驟包含: 將具有至少一目標物件的一參考影像劃分為複數相互不重疊之區塊; 將該參考影像與一分割結果影像進行疊合處理,以求得所述區塊之錯誤比率; 界定一門檻值,並依據該門檻值及所述錯誤比率界定一增強方程式,以將所述錯誤比率轉換為增強錯誤比; 將所述區塊分別依據其增強錯誤比,及其與周圍相鄰之所述區塊之相關性,以分別計算一修正權重值;以及 根據所述修正權重值予以計算該分割結果影像之錯誤量值。
- 如申請專利範圍第1項所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含: 界定所述區塊中非具有目標物件者為背景區塊,並將剩餘之部份定義為前景區域; 於所述前景區域進一步分割為複數相互不重疊之前景區塊,並界定具有所述目標物件者為前景物件區塊,而非具有目標物件者為非景物件區塊; 於進行疊合處理後,取得所述前景區塊之漏偵像素及前景誤報像素,以及所述背景區塊之背景誤報像素;以及 界定錯誤比率包含前景漏偵比、前景誤報比及背景誤報比,其中,所述前景漏偵比為所述漏偵像素與所述前景物件區塊總像素之比值,所述前景誤報比為所述前景誤報像素與所述非景物件區塊總像素之比值,而所述背景誤報比係背景誤報像素與所述背景區塊總像素之比值。
- 如申請專利範圍第2項所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含: 依據所述錯誤比率分別計算一比率權重值;以及 依據該門檻值、所述錯誤比率及所述比率權重值界定該增強方程式。
- 如申請專利範圍第3項所述之用於影像物件分割之區塊錯誤量測方法,其中,所述前景漏偵之比率權重值為所述前景物件區塊與所述前景區塊之比值,所述前景誤報之比率權重值為所述非景物件區塊與所述前景區塊之比值,所述背景誤報之比率權重值為所述背景誤報像素與所述背景區塊之比值。
- 如申請專利範圍第4項所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含: 依據所述錯誤比率通過該門檻值之數值界定一控制變數;以及 將所述錯誤比率給予對應之所述控制變數以強化對應之所述錯誤比率。
- 如申請專利範圍第5項所述之用於影像物件分割之區塊錯誤量測方法,其中,該增強方程式係如下式1所示: (式1) 其中, 該參考影像具有F個前景區塊及B個背景區塊, ; 為前景漏偵比; 為前景誤報比; 為背景誤報比; 及 為所述錯誤比率之增強錯誤比; 為前景漏偵之比率權重值; 為前景誤報之比率權重值; 為背景誤報之比率權重值;T為門檻值;t為控制變數。
- 如申請專利範圍第3至5項中任一項所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含: 依據所述增強錯誤比、比率權重值、門檻值及修正權重值界定一修正方程式,以求得每一所述區塊之一錯誤修正值;以及 根據所述錯誤修正值予以計算該分割結果影像之錯誤量值。
- 申請專利範圍第7項所述之用於影像物件分割之區塊錯誤量測方法,其中,所述修正權重值係由所述區塊分別依據其增強錯誤比,及其與周圍相鄰之所述區塊所含所述目標物件之比率所計算求得者。
- 申請專利範圍第7項所述之用於影像物件分割之區塊錯誤量測方法,其中,所述錯誤量值為所述錯誤修正值分別對應所述前景區塊及背景區塊之平均值。
- 申請專利範圍第6項所述之用於影像物件分割之區塊錯誤量測方法,其步驟更包含: 依據所述增強錯誤比、比率權重值、門檻值及修正權重值界定一修正方程式,以求得每一所述區塊之一錯誤修正值;以及 根據所述錯誤修正值予以計算該分割結果影像之錯誤量值; 其中,該修正方程式係如下式2所示: (式2) 其中, 及 為錯誤修正值; 、 、 及 為修正權重值, h為所述區塊之相鄰的區塊所形成集合之成員值, l為所述區塊及其相鄰之區塊所形成集合之成員值。
- 如申請專利範圍第10項所述之用於影像物件分割之區塊錯誤量測方法,其中,所述錯誤量值係將所述錯誤修正值依據下式3而求得: (式3) 其中, 及 為錯誤量值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106110089A TWI629666B (zh) | 2017-03-27 | 2017-03-27 | 用於影像物件分割之區塊錯誤量測方法 |
US15/686,536 US10277926B2 (en) | 2017-03-27 | 2017-08-25 | Block-base error measure method for object segmentation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106110089A TWI629666B (zh) | 2017-03-27 | 2017-03-27 | 用於影像物件分割之區塊錯誤量測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI629666B true TWI629666B (zh) | 2018-07-11 |
TW201835858A TW201835858A (zh) | 2018-10-01 |
Family
ID=63583777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106110089A TWI629666B (zh) | 2017-03-27 | 2017-03-27 | 用於影像物件分割之區塊錯誤量測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10277926B2 (zh) |
TW (1) | TWI629666B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723814A (zh) * | 2020-06-05 | 2020-09-29 | 中国科学院自动化研究所 | 基于跨图像关联的弱监督图像语义分割方法、系统、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181771A1 (en) * | 2001-04-30 | 2002-12-05 | Motorola, Inc | Block-based image segmentation method and system |
TW200823800A (en) * | 2006-11-30 | 2008-06-01 | Ind Tech Res Inst | Method of object segmentation for video |
CN101833760A (zh) * | 2010-03-29 | 2010-09-15 | 中山大学 | 一种基于图像块的背景建模方法及背景建模装置 |
TW201248518A (en) * | 2011-05-20 | 2012-12-01 | Chung Shan Inst Of Science | Image recognition method |
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002318165A1 (en) * | 2001-05-25 | 2002-12-09 | Biometric Informatics Technology, Inc. | Fingerprint recognition system |
US7653242B2 (en) * | 2005-11-15 | 2010-01-26 | Honeywell International Inc. | Dynamically adjusting and predicting image segmentation threshold |
-
2017
- 2017-03-27 TW TW106110089A patent/TWI629666B/zh not_active IP Right Cessation
- 2017-08-25 US US15/686,536 patent/US10277926B2/en not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181771A1 (en) * | 2001-04-30 | 2002-12-05 | Motorola, Inc | Block-based image segmentation method and system |
TW200823800A (en) * | 2006-11-30 | 2008-06-01 | Ind Tech Res Inst | Method of object segmentation for video |
CN101833760A (zh) * | 2010-03-29 | 2010-09-15 | 中山大学 | 一种基于图像块的背景建模方法及背景建模装置 |
TW201248518A (en) * | 2011-05-20 | 2012-12-01 | Chung Shan Inst Of Science | Image recognition method |
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180278974A1 (en) | 2018-09-27 |
TW201835858A (zh) | 2018-10-01 |
US10277926B2 (en) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996195B (zh) | 一种图像显著性检测方法 | |
WO2016176840A1 (zh) | 深度图/视差图的后处理方法和装置 | |
CN102509099B (zh) | 一种图像显著区域检测方法 | |
CN103106668B (zh) | 基于颜色直方图来描述图像区域的方法和系统 | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN104169970A (zh) | 用于确定图像的景深图的方法和光学系统 | |
CN103475800B (zh) | 图像序列中前景的检测方法和装置 | |
TWI500904B (zh) | 立體攝影機及用來測量立體攝影機與基準面之距離的自動測距方法 | |
KR20110014067A (ko) | 스테레오 컨텐트의 변환 방법 및 시스템 | |
CN109635723A (zh) | 一种遮挡检测方法及装置 | |
CN103324951A (zh) | 一种多元异构水环境监测数据评价与预警方法 | |
KR20170105974A (ko) | 피부결 블랍을 기초로한 피부결 평가 장치 및 그 방법 | |
CN104065954A (zh) | 一种高清立体视频的视差范围快速检测方法 | |
CN104637060B (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN105225243B (zh) | 一种可抗噪声的图像边缘检测方法 | |
TWI629666B (zh) | 用於影像物件分割之區塊錯誤量測方法 | |
WO2022012034A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2021068589A1 (zh) | 一种图像中物体及其关键点的确定方法和装置 | |
CN110956616B (zh) | 一种基于立体视觉的目标检测方法及系统 | |
CN116129361B (zh) | 一种基于距离度量的人群聚集识别方法及装置 | |
US11461597B2 (en) | Object likelihood estimation device, method, and program | |
CN108010076B (zh) | 一种面向密集工业棒材图像检测的端面外观建模方法 | |
CN104112266B (zh) | 一种图像边缘虚化的检测方法和装置 | |
CN109949337A (zh) | 基于高斯混合背景模型的运动目标检测方法及装置 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |