SURFアルゴリズムで画像の分割が必要ですか？

Question

私は画像のセグメンテーションについて読んでいました。画像解析の第一歩であると私は理解しました。しかし、私はSURFやSIFTを使って特徴を検出し抽出すると、セグメンテーションの必要がないことも読んでいます。本当？ SURFを使用している場合、セグメンテーションが必要ですか？

Answer 1

セグメント化と認識の間の依存関係はもう少し複雑です。明らかに、画像のどのピクセルがオブジェクトに属しているかを知ることで、認識が容易になります。しかし、この関係はもう一方の方向でも機能します。画像に何が含まれているかを知ることで、セグメント化が簡単になります。しかし、わかりやすくするために、セグメント化が最初に実行される単純なパイプライン（たとえば、単純なカラーモデルに基づく）についてのみ説明し、各セグメントが処理されます。

あなたの質問は、SURFの機能について特に質問します。しかしながら、この文脈において、重要なことは、SURFが局所記述子であること、すなわち、検出されたキーポイントの周りの小さな画像パッチを記述することである。キープポイントは、認識問題に関連する情報（画像の興味深い部分）を見つけることができる画像内の点であるべきであるが、関心クラスに属するオブジェクトのすべての画像上で確実に反復可能に検出できる点でなければならない。その結果、ローカル記述子は、キーポイント検出器によって選択された点の周囲のピクセルのみを気にし、そのようなキーポイントのそれぞれに対して小さな特徴ベクトルを抽出する。他方、グローバル記述子は、ある領域内のすべてのピクセル、典型的にはセグメント、または画像全体を考慮する。

したがって、グローバル記述子を使用してイメージ内で認識を行うには、まずフィーチャーを抽出する領域（セグメント）を選択する必要があります。これらの機能は、セグメントの内容が何であるかを認識するために使用されます。状況は、キーポイント検出器が関連性があると判断するローカルパッチを記述するため、ローカル記述子とは少し異なります。その結果、セグメンテーションを実行しなくても、イメージ内の複数のポイントに対して複数の特徴ベクトルが得られます。これらの特徴ベクトルのそれぞれは、画像の内容について何かを知らせ、そのような各局所特徴ベクトルを「クラス」に割り当てて統計を集めて、画像の内容を理解しようとすることができます。このような単純なモデルは、Bag-of-words modelと呼ばれています。