بهبود عملکرد تقطیع تصاویر RGB-D با استفاده از مدل میدان شرطی تصادفی

در این مقاله یک روش جدید برای ساختن تابع انرژی مدل میدان شرطی تصادفی برای حل مسئله تقطیع تصاویر RGB-D از یک صحنه فضای داخلی پیشنهاد شده است. ایده اصلی این کار، استفاده از اطلاعات هندسی محیط در تقطیع تصویر است. در این مقاله ما در کنار داده رنگ، از داده ی تخمینی عمق هر پیکسل تصویر که با استفاده از حسگر کینکت مایکروسافت در اختیار ما قرار گرفته است استفاده می کنیم. برای ساختن تابع انرژی مورد استفاده در مدل میدان شرطی تصادفی، ما از محدودیت هایی که از هندسه محیط ناشی می شود مانند نواحی کلی تصویر که از لبه های تصویر رنگی و میانگین زوایای مابین بردار نرمال هر دو همسایه است. در محاسبه ی مقدار پتانسیل دسته های دوگانه استفاده می کنیم. همچنین در یک نوآوری جدید علاوه بر دسته های مورد استفاده در ساختن مدل شرطی تصادفی، یک سری دسته های دوگانه جدید که ارتباط مابین برچسب گذاری فریم قبلی تصویر با برچسب گذاری فریم قبلی تصویر با برچسب گذاری فریم فعلی را نشان می دهد، نیز استفاده شده است. برای مقایسه کاریابی الگوریتم پیشنهادی خود از مجموعه داد، NYY نسخه اول آن استفاده شده است که در این مجموعه داده، روش پیشنهادی ما به مقدار 2.39 برابر معیار فاصله Hausdorff رسید.

کلیدواژه ها:

حسگر کینکت مایکروسافت ، تقطیع تصاویر ، تصویر RGB-D ، مدل شرطی تصادفی و بردار نرمال