Rozpoznawanie wzorców w grafach superpikselowych
Celem rozprawy jest opracowanie algorytmu pozwalającego na dokładne rozpoznawanie wzorca będącego obiektem na obrazie w oparciu o jego model statystyczny. Typowym podejściem w tego rodzaju problemach jest zbudowanie modelu opartego o punkty charakterystyczne. Metody te w wielu zastosowaniach cechuje wysoka skuteczność, jednak jest ona zależna od właściwego doboru cech i detektorów cech, umieszczenia punktów charakterystycznych we właściwych, odpowiadających sobie miejscach obrazów oraz dostatecznie dobrej inicjalizacji. W rozprawie proponowane i analizowane są dwie metody rozpoznawania obiektów. Metody te opierają się o analizę obrazu po segmentacji superpikselowej. W ten sposób redukowana jest liczba możliwych przebiegów kształtu, znacząco zmniejszając przestrzeń możliwych rozwiązań. Pozwala to na zastosowanie optymalizacji globalnej. Rozprawa zajmuje się również kwestią reprezentacji kształtu w oparciu o funkcje ciągłe. Zaproponowany algorytm w sposób wydajny znajduje parę ścieżek w dwóch grafach skierowanych związanych z segmentacją superpikselową które są sobie najbliższe w metryce elastycznej rozważanej w Elastycznej Analizie Kształtu. Zadanie to było rozwiązywalne z użyciem istniejących metod tylko dla prostych klas grafów. Wymieniony nowy algorytm jest ponadto zintegrowany ze specjalnie zaprojektowaną metodą ekstrakcji cech dla algorytmów uczenia maszynowego. Uzyskana w ten sposób metoda dorównuje skuteczności najlepszych istniejących algorytmów segmentacji obrazu, działając stosunkowo szybko i posiadając niewiele wolnych parametrów.
Pattern recognition in superpixel graphs
The primary goal of this thesis is development of an algorithm for accurate object recognition in a given image based on its statistical model of shape. A common approach to this problem is construction of a Point Distribution Model. Such methods are very effective in certain applications but their performance is strongly affected by appropriate selection of feature descriptors and detectors, correct placement of landmarks in training images and sufficiently good initialization of landmark positions in an analysed image.
Two object segmentation methods based on statistical shape models are proposed in this thesis. These methods are based on analysing a superpixel segmentation of a given image constraining the space of searched shapes. This reduction of the number of possible shapes allows for application of global optimization methods. Moreover, a continuous approach to shape representation is explored in this thesis. The developed algorithm can efficiently find two paths in digraphs connected with superpixel segmentation that are closest under an elastic metric of Elastic Shape Analysis. This task was solvable only for certain simple classes of graphs.
Finally, a new machine learning-based method is developed and integrated into the novel algorithm. This combined method has comparable accuracy to state-of-the- art methods, good performance and a low number of free parameters.