人工智能中的圖像處理

人工智能對于圖像處理有不同的任務。在本文中，我將介紹目標檢測和圖像分割之間的區別。

在這兩個任務中，我們都希望找到圖像中某些感興趣的項目的位置。例如，我們可以有一組安全攝像頭照片，在每張照片上，我們想要識別照片中所有人的位置。

通常有兩種方法可以用于此：目標檢測(Object Detection)和圖像分割(Image Segmentation)。

目標檢測-預測包圍盒

當我們說到物體檢測時，我們通常會說到邊界盒。這意味著我們的圖像處理將在我們的圖片中識別每個人周圍的矩形。

邊框通常由左上角的位置(2 個坐標)和寬度和高度(以像素為單位)定義。

如何理解目標檢測方法?

如果我們回到任務：識別圖片上的所有人，則可以理解通過邊界框進行對象檢測的邏輯。

我們首先想到的解決方案是將圖像切成小塊，然后在每個子圖像上應用圖像分類，以區別該圖像是否是人類。 對單個圖像進行分類是一項較容易的任務，并且是對象檢測的一項，因此，他們采用了這種分步方法。

當前，YOLO模型(You Only Look Once)是解決此問題的偉大發明。 YOLO模型的開發人員已經構建了一個神經網絡，該神經網絡能夠立即執行整個邊界框方法!

當前用于目標檢測的最佳模型

• YOLO
• Faster RCNN

圖像分割-預測掩模

一步一步地掃描圖像的邏輯替代方法是遠離畫框，而是逐像素地注釋圖像。

如果你這樣做，你將會有一個更詳細的模型，它基本上是輸入圖像的一個轉換。

如何理解圖像分割方法?

這個想法很基本：即使在掃描產品上的條形碼時，也可以應用一種算法來轉換輸入信息(通過應用各種過濾器)，這樣，除了條形碼序列以外的所有信息在最終圖像中都不可見。

左圖：https://commons.wikimedia.org/wiki/File:Image-segmentation-example.jpg。右圖：https://commons.wikimedia.org/wiki/File:Image-segmentation-example-segmented.png。兩個文件都支持 https://en.wikipedia.org/wiki/en:Creative_Commons

這是在圖像上定位條形碼的基本方法，但與在圖像分割中所發生的情況類似。

圖像分割的返回格式稱為掩碼:與原始圖像大小相同的圖像，但是對于每個像素，它只有一個布爾值來指示對象是否存在。

如果我們允許多個類別，它就會變得更加復雜：例如，它可以將一個海灘景觀分為三類：空氣、海洋和沙子。

當下圖像分割的最佳模型

• Mask RCNN
• Unet
• Segnet

比較總結

對象檢測

• 輸入是一個矩陣(輸入圖像)，每個像素有 3 個值(紅、綠、藍)，如果是黑色和白色，則每個像素有 1 個值
• 輸出是由左上角和大小定義的邊框列表

圖像分割

• 輸入是一個矩陣(輸入圖像)，每個像素有 3 個值(紅、綠、藍)，如果是黑色和白色，則每個像素有 1 個值
• 輸出是一個矩陣(掩模圖像)，每個像素有一個包含指定類別的值

本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。