森林画像の軌跡の検出

森のシーンの画像で（トレイルに沿って立っているカメラの視点から）トレイルを特定するための研究/論文/ソフトウェアを知っている人はいますか？

私は次のような画像を取ることができるアルゴリズムを見つけようとしています：

次のような「トレイル」を特定するマスクを作成します。

ご覧のとおり、元の画像は少しぼやけており、意図的です。画像ソースは完全な焦点を保証することはできないため、適度な量のノイズとぼやけを処理できる必要があります。

私が最初に考えたのは、ガウスぼかしを適用し、画像をブロックに分割し、隣接するブロックを比較してシャープな色の違いを探します（トレイルの「エッジ」を示します）。しかし、私はすぐに、影や照明の他の変化が簡単にそれを放散することに気付きました。

私はSURFの特徴を抽出することを考えていましたが、画像が完全に鮮明で一貫した照明である場合にのみ、SURF / SIFTで成功しました。

また、画像とマスクをはるかに小さいサイズ（100x75など）に縮小し、1xNベクトルに変換し、それらを使用してFANNベースのニューラルネットワークをトレーニングしようとしました（画像は入力で、マスクが必要です）出力）。入力ベクトルの75％のサイズの1つの隠れ層があるこのような小さなサイズでさえ、トレーニングに6時間かかりましたが、それでもテストセット内のマスクを予測できませんでした。

誰もが主題に関する他の方法や論文を提案できますか？

それだけでは十分ではないかもしれませんが、問題の1つは照明の変動に関係しているため、シャドウ除去の前処理ステップが役立つ場合があります。私が考えている手法は、次の論文で説明されています。

「画像からの影の除去について」、GD Finlayson、SD Hordley、C。Lu、およびMS Drew、IEEEパターン分析とマシンインテリジェンス（PAMI）、Vol.28、No.1、2006年1月、pp.59- 68。 http://www.cs.sfu.ca/~mark/ftp/Pami06/pami06.pdf

プロセスの最初の部分では、照明不変のグレースケール画像が生成されます。これはおそらくこの場合に必要なものです。ここに彼らが論文で与えた例のショットがあります：

_{（ソース：datageist.com）}

実際、「色度」画像を生成するためにプロセスをさらに一歩進めることは、生葉と枯葉をきれいに区別するために必要なものかもしれません。もう一度、論文からの例：

_{（ソース：datageist.com）}

ただし、問題はカメラを最初に較正する必要があることです。それが可能であると仮定すると、彼らが説明する表現のいくつかの組み合わせは、おそらくあなたが使用している他の方法をより効果的にするでしょう。

私はあなたが十分な情報持って信じないでマスク画像を生成するソースイメージを。色でセグメント化することから始めることができます。つまり、緑はトレイルではなく、グレー/ブラウンはトレイルです。ただし、「トレイルボーダー」には、マスクで表されない灰色/茶色の領域があります。（ソース画像の左下の象限を参照してください。）

提供するマスクは、ソース画像では明らかではない構造的制約を意味します。たとえば、軌跡の幅が固定されている場合があります。その情報を使用して、パターン認識エンジンから返される予備マスクを制約できます。

構造のトピックの継続：トレイルは他のトレイルとマージされますか？トレイルは特定の土壌/砂利の特徴で輪郭が描かれていますか？人間として（これはパターン認識にかなり優れています！）、左下の四分円に示されている機能に挑戦しています。「トレイル」として割り引くことができない灰色/茶色の領域があります。もっと情報があれば、おそらく最終的にそうすることができます。地図と粗く知られている場所、このトレイルでの個人的な経験、またはおそらくこのポイントに至る一連の画像-認識者が「知っている場合、このビューはそれほど曖昧ではありません「このシーンにつながったもの。

私の意見では、画像のコレクションが最も興味深いアプローチです。この考え方を続けると、1つの画像で十分なデータが提供されない場合もありますが、パノラマビューではシーンが明確になります。

ランダムな画像でトレイルを魔法のように検出する単一のアルゴリズムはありません。機械学習ベースのルーチンを実装し、トレイルを検出するために「トレーニング」する必要があります。詳細を説明しすぎることなく、教師あり学習アプローチで行うことの大まかな概要を以下に示します。

1. 「トレーニングの例」のセットが必要になります。これは、さまざまな環境でのトレイルの写真を意味します。ここでは、あなた（スーパーバイザー）が「トレイル」とバックグラウンド「フォレスト」とラベル付けします。画像をより小さなセクション（通常は8x8）に分割し、ブロックのDCT（離散コサイン変換）を取得することで「機能空間」に変換します。この場合の各ブロックのDCTは、64ポイントの「特徴ベクトル」を提供します。

2. フィーチャスペース、フィーチャセット（64ポイントのフィーチャベクトルのサブセット）、およびクラスおよびを含むクラススペースを定義します。トレーニングセットから：$\mathcal{X}$$\mathbf{x}$$\mathcal{Y}$$y_1=trail$$y_2=forest$

   • クラス条件付き分布
     • $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|trail)$、クラスが場合のフィーチャの条件付き密度。 $trail$
     • $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|forest)$、クラスが場合のフィーチャの条件密度。 $forest$
   • クラスの確率または事前
     • trai$\mathcal{P}_\mathcal{Y}(trail)$、ブロック内のを見つける確率$trail$
     • FORES$\mathcal{P}_\mathcal{Y}(forest)$、ブロック内のを見つける確率$forest$

3. これを使用して、イメージをテストし（再度、イメージを小さな断片に分割します）、事後確率を計算します。ベイズの決定理論を使用して、バイナリ（この場合）の選択基準を次のように定義します。

   $$\widetilde{y}_i(\mathbf{x})=\arg \max_{y_i}\quad \mathcal{P}_\mathcal{X|Y}(\mathbf{x}|y_i)\ \mathcal{P}_\mathcal{Y}(y_i)$$ 各ブロックを、事後確率が最も高いクラスに割り当てます。これにより、バイナリマスクが作成されます。

これは、アプローチの非常に簡略化された概要であることに注意してください。考慮すべき事項がいくつかありますが、最も重要なのは、問題に合った適切な機能セットを選択することです。混合モデルやカーネルベースの密度推定の使用など、より複雑なこともできますが、そのすべては詳細を記述し、回答を書くのに時間がかかります。

このアプローチが試してみる価値があるという動機付けと確認のために、ここで私が長い間宿題としてやったことの例を示します。これはあなたが達成しようとしているものに非常に似ています。目的は、背景の植生から動物を検出することでした（左の画像）。右の図は、前景と背景を区別するために「学習」後に取得したバイナリマスクを示しています。

機械学習の詳細については、いくつかの教科書をご覧ください。この分野でよく知られ、よく推奨される教科書の1つは次のとおりです。

T.ヘイスティ、R。ティブシラニ、J。フリードマン、統計学習の要素：データマイニング、推論、予測。第2版​​、スプリンガー出版（2008）

現在提供されているリンクから無料のPDFとして入手できます。別のまともな本は：

RO Duda、PE HartおよびDG Stork、パターン分類、第2版、John Wiley＆Sons（2001）

これは興味のあることですか？

色空間融合と時間分析によるリアルタイムで移動可能な表面検出

テクスチャセグメンテーションの問題のように見えます（カラーセグメンテーションではありません）多くの方法がありますが、

このようなhttp://note.sonots.com/SciSoftware/GaborTextureSegmentation.htmlのようなGaborウェーブレットをよく使用します

スーパーピクセルベースのセグメンテーション http://ttic.uchicago.edu/~xren/research/superpixel/

および同様のグラフカットセグメンテーション http://en.wikipedia.org/wiki/Graph_cuts_in_computer_vision

こちらがウィキの概要です http://en.wikipedia.org/wiki/Segmentation_(image_processing）