Semester assignments for the course "Digital Image Processing" of THMMY in AUTH university.
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 

124 lines
5.9 KiB

\subsection{Μη αναδρομικός normalized cuts}
Η εκδοχή της μη αναδρομικής εκτέλεσης παρουσιάζεται στο script \texttt{demo3a}. Το script εκτελεί μία σειρά από έξι πειράματα κατά τα οποία γίνεται κατάτμηση δύο δοσμένων εικόνων (``\texttt{d2a}'' και ``\texttt{d2b}'') σε δύο, τρεις και τέσσερεις ομάδες (clusters) διαδοχικά. Τα αποτελέσματα φαίνονται και σχολιάζονται στη συνέχεια.
Στο πρώτο μέρος του script εκτελούνται τα πειράματα για την πρώτη εικόνα που δίνεται (``\texttt{d2a}''). Τα αποτελέσματα της κατάτμησης φαίνονται παρακάτω.
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e1_f1.pdf_tex}}
}
\caption{Αρχική εικόνα (``\texttt{d2a}'')}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e1_f2.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2a}'') σε 2 ομάδες}
\end{figure}
\end{multicols}
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e1_f3.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2a}'') σε 3 ομάδες}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e1_f4.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2a}'') σε 4 ομάδες}
\end{figure}
\end{multicols}
Από τις εικόνες φαίνεται και πάλι ότι ο αλγόριθμος κάνει τέλεια κατάτμηση για τη περίπτωση των τριών ομάδων, όπως συνέβη και στη δεύτερη σειρά πειραμάτων για το spectral clustering. Στη περίπτωση των δύο ομάδων η πράσινη και κόκκινη περιοχή κατατάσσονται στην ίδια ομάδα, ενώ στη περίπτωση των τεσσάρων ομάδων παρουσιάζεται ``θόρυβος'' στην ομαδοποίηση.
Τα αποτελέσματα του αλγόριθμου normalized cuts είναι συγκρίσιμα με αυτά του spectral clustering για αυτή τη μη αναδρομική εκδοχή. Δε παρατηρείται κάποια εμφανής βελτίωση στη κατάτμηση.
Στο δεύτερο μέρος του script εκτελούνται τα πειράματα για την δεύτερη εικόνα που δίνεται (``\texttt{d2b}''). Τα αποτελέσματα της κατάτμησης φαίνονται παρακάτω.
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f1.pdf_tex}}
}
\caption{Αρχική εικόνα (``\texttt{d2b}'')}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f3.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 2 ομάδες, grayscale χρώματα}
\end{figure}
\end{multicols}
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f5.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 3 ομάδες, grayscale χρώματα}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f7.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 4 ομάδες, grayscale χρώματα}
\end{figure}
\end{multicols}
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f1.pdf_tex}}
}
\caption{Αρχική εικόνα (``\texttt{d2b}'')}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f2.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 2 ομάδες, χρωματικός διάμεσος}
\end{figure}
\end{multicols}
\begin{multicols}{2}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f4.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 3 ομάδες, χρωματικός διάμεσος}
\end{figure}
\begin{figure}[H]
\centering
\resizebox{.4\textwidth}{!}{
\colorbox{shadecolor}{\input{res/demo3a_e2_f6.pdf_tex}}
}
\caption{Κατάτμηση πρώτης εικόνας (``\texttt{d2b}'') σε 4 ομάδες, χρωματικός διάμεσος}
\end{figure}
\end{multicols}
Όπως και στη περίπτωση του spectral clustering που πραγματοποιήθηκε στη δεύτερη σειρά πειραμάτων, έτσι και εδώ ο αλγόριθμος normalized cuts δίνει αξιόλογα αποτελέσματα κατάτμησης, εξακολουθεί ωστόσο να επιδέχεται βελτιώσεων.
Όπως και για τη προηγούμενη εικόνα, τα αποτελέσματα του αλγόριθμου normalized cuts είναι συγκρίσιμα με αυτά του spectral clustering για αυτή τη μη αναδρομική εκδοχή. Αυτή τη φορά παρατηρείται μικρή βελτίωση στη κατάτμηση με χρήση normalized cuts, όχι όμως σημαντική.