Οι μη επιτηρημένες τεχνικές μάθησης χρησιμοποιούνται ευρέως στην κατάτμηση εικόνας για τον εντοπισμό σημαντικών περιοχών μέσα σε εικόνες χωρίς να επισημαίνονται δεδομένα. Αυτή η προσέγγιση βοηθά σε εφαρμογές όπου η χειροκίνητη σημείωση είναι μη πρακτική ή δαπανηρή.

Βασικά του μη επιτηρηθέντος τμήματος εικόνας

Η μη επιτηρούμενη κατάτμηση εικόνας περιλαμβάνει την ομαδοποίηση εικονοστοιχείων με βάση χαρακτηριστικά όπως το χρώμα, η υφή ή η ένταση. Οι κοινοί αλγόριθμοι περιλαμβάνουν το K- σημαίνει συσπειρωματοποίηση, Μέσες μέθοδοι Shift, και μεθόδους γραφήματος.

Πρακτικές Συμβουλές για Εφαρμογή

Για να βελτιώσετε τα αποτελέσματα της κατάτμησης, εξετάστε τις ακόλουθες συμβουλές:

  • Προεπεξεργασμένες εικόνες: Κανονικοποίηση των τιμών εικονοστοιχείων για τη μείωση της μεταβλητότητας.
  • Επιλέξτε σχετικά χαρακτηριστικά: Χρησιμοποιήστε χρωματικούς χώρους όπως LAB ή HSV για καλύτερη κατάτμηση.
  • Καθορίστε βέλτιστες παραμέτρους: Χρησιμοποιήστε μεθόδους όπως η μέθοδος αγκώνα για το K- σημαίνει να επιλέξετε τον αριθμό των σμηνών.
  • Αποτελέσματα διαχωρισμού: Χρησιμοποιούν μετρήσεις όπως η βαθμολογία σιλουέτας για την αξιολόγηση της ποιότητας κατακερματισμού.

Υπολογισμός και Μετρικοί

Για παράδειγμα, στο K- σημαίνει συσπειρωμάτωση, το άθροισμα τετραγώνων (WCSS) στο εσωτερικό του κλισέ βοηθά στον καθορισμό του βέλτιστου αριθμού συστάδων. Η βαθμολογία σιλουέτα μετράει το πώς παρόμοια pixels είναι μέσα στο σμήνος τους σε σύγκριση με άλλα συστάδες.

Για να υπολογίσετε το WCSS:

Άθροισμα τετραγωνισμένων αποστάσεων μεταξύ κάθε σημείου και του σμήνους του κεντροειδούς.

Η βαθμολογία της Σιλουέτας κυμαίνεται από -1 έως 1, με υψηλότερες τιμές που δείχνουν καλύτερη κατακερματισμό.