SVM を使用して画像のセグメンテーションを作成する方法: ステップバイステップ ガイド

画像のセグメンテーションは、コンピュータ ビジョンにおいて不可欠なタスクです。画像は、色、テクスチャ、強度などの共通の属性を共有する領域またはセグメントに分割されます。このセグメンテーション プロセスは、医療画像処理、物体検出、衛星画像分析などのさまざまな分野で役立ちます。画像セグメンテーションのための強力なツールの 1 つは、サポート ベクター マシン (SVM) です。このステップバイステップのガイドでは、SVM を使用して画像セグメンテーション モデルを作成する方法を説明します。

サポート ベクター マシン (SVM) とは何ですか?

サポート ベクター マシン (SVM) は、分類および回帰タスクに一般的に使用される教師あり機械学習アルゴリズムです。画像セグメンテーションでは、SVM は、色、強度、テクスチャなどのピクセル特徴に基づいて、画像の各ピクセルを異なるクラス (前景、背景、または異なるオブジェクトなど) に分類できます。

SVM は、異なるクラス間のマージンを最大化する最適な超平面を見つけることによって機能します。画像セグメンテーションの場合、目標は、トレーニングされた SVM 分類器を使用して、画像内の各ピクセルを事前定義されたカテゴリの 1 つに分類することです。

ステップ 1: 必要なライブラリをインポートする

まずは環境を構築し、必要なライブラリをインポートしましょう。 OpenCV、Scikit-learn、NumPy などの一般的なライブラリで Python を使用します。

 import cv2 import numpy as np from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, accuracy_score

ステップ 2: 画像をロードする

セグメンテーション プロセスの最初のステップは、セグメント化する画像をロードすることです。 OpenCV を使用して画像をロードし、セグメンテーションに適した形式に変換できます。

 # Load the image image = cv2.imread('your_image.jpg') # Convert to grayscale for simplicity (you can also work with color channels if needed) gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

前処理 (オプション)

場合によっては、セグメンテーションの前にいくつかの前処理技術を適用して画像を強化すると有益な場合があります。一般的な前処理ステップには、スムージング、ノイズ低減、ヒストグラム等化が含まれます。

 # Optional: Apply GaussianBlur to reduce noise blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)

ステップ 3: 特徴抽出

SVM ベースの画像セグメンテーションの次のタスクは、各ピクセルの分類に使用できる関連する特徴を画像から抽出することです。一般的な機能には、ピクセル強度、テクスチャ、色のヒストグラムが含まれます。簡単にするために、特徴としてピクセル強度から始めます。

 # Flatten the image to create a feature vector for each pixel features = gray_image.flatten() # Using grayscale intensity as a feature

カラー イメージの場合は、カラー ヒストグラム (RGB 値または HSV 値)、またはテクスチャ用のローカル バイナリ パターン (LBP) などのより高度な機能を使用することができます。

ステップ 4: ラベルを定義する

教師あり学習には、ラベル付きデータが必要です。通常、画像のセグメンテーションでは、画像内の各ピクセルにラベルを付ける必要があります。画像のサブセットに手動でラベルを付けることも、既存のグラウンド トゥルース (利用可能な場合) を使用することもできます。ラベルはバイナリ (前景と背景) またはマルチクラス (複数のオブジェクト) にすることができます。

簡単にするために、ピクセルに手動でラベルを付けたと仮定します。

 # Manually define labels (0 for background, 1 for object) labels = np.array([0, 1, 1, 0, 1, 0]) # Example, label values for each pixel

画像形式のグラウンド トゥルース ラベルがある場合は、それを直接使用できます。

ステップ 5: SVM 分類器をトレーニングする

特徴とラベルを取得したら、次のステップは、データをトレーニング セットとテスト セットに分割し、SVM 分類器をトレーニングすることです。

 # Split the data into training and testing sets X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42) # Initialize the SVM classifier (using a linear kernel as an example) svm_classifier = svm.SVC(kernel='linear') # Train the SVM model svm_classifier.fit(X_train.reshape(-1, 1), y_train)

ステップ 6: モデルの評価

モデルをトレーニングした後、テスト セットを使用してそのパフォーマンスを評価することが重要です。これは、画像を正しくセグメント化する分類子の能力を評価するのに役立ちます。

 # Predict using the test set y_pred = svm_classifier.predict(X_test.reshape(-1, 1)) # Evaluate the classifier performance print(classification_report(y_test, y_pred)) print(f'Accuracy: {accuracy_score(y_test, y_pred)}')

ステップ 7: トレーニング済みの SVM モデルをセグメンテーションに適用する

SVM 分類器がトレーニングされ評価されると、それを使用して元の画像の各ピクセルのラベルを予測し、セグメント化された画像を生成できます。

 # Predict labels for the entire image segmented_image = svm_classifier.predict(features.reshape(-1, 1)) # Reshape the result back to the original image shape segmented_image = segmented_image.reshape(gray_image.shape) # Display the segmented image cv2.imshow('Segmented Image', segmented_image) cv2.waitKey(0) cv2.destroyAllWindows()

セグメント化された画像には、SVM の分類に基づいて画像のさまざまな領域が表示されます。セグメンテーションの結果を視覚化できます。通常、各クラスは一意の色またはラベルで表されます。

ステップ 8: 後処理 (オプション)

場合によっては、形態学的操作 (侵食、拡張など) などの後処理技術が、セグメント化された領域をクリーンアップし、小さなアーティファクトを除去するのに役立ちます。

 # Apply morphological operations to improve segmentation (optional) kernel = np.ones((5, 5), np.uint8) segmented_image = cv2.dilate(segmented_image, kernel, iterations=1) segmented_image = cv2.erode(segmented_image, kernel, iterations=1) # Display final segmented image cv2.imshow('Final Segmented Image', segmented_image) cv2.waitKey(0) cv2.destroyAllWindows()

結論

SVM を画像セグメンテーションに使用すると、画像ピクセルをさまざまなカテゴリに分類する効果的な方法が提供されます。画像のロードからセグメンテーション用のトレーニング済み SVM モデルの適用まで、次の手順に従うことで、ピクセルの特徴に基づいて画像をセグメント化できます。このガイドでは基本的なグレースケール強度機能を使用しましたが、カラー ヒストグラム、テクスチャ、深層学習ベースの特徴抽出方法など、より高度な機能を組み込むことでパフォーマンスを向上させることができます。

画像セグメンテーションの SVM 手法は汎用性が高く、医療画像処理、自動運転、衛星画像分析などのさまざまなユースケースに適用でき、正確かつ効率的なセグメンテーション結果が得られます。