تجزئة الصور

في معالجة الصور الرقمية ورؤية الحاسوب ، تُعرف تجزئة الصور بأنها عملية تقسيم الصورة الرقمية إلى عدة أجزاء ، تُسمى أيضًا مناطق الصورة أو كائنات الصورة ( مجموعات من البكسلات ). يهدف التجزئة إلى تبسيط تمثيل الصورة أو تغييره ليصبح أكثر وضوحًا وأسهل تحليلًا. ^{[ 1 ] [ 2 ]} تُستخدم تجزئة الصور عادةً لتحديد مواقع الكائنات والحدود (الخطوط، والمنحنيات، وما إلى ذلك) في الصور. وبشكل أدق، تُعرف تجزئة الصور بأنها عملية إسناد تسمية لكل بكسل في الصورة، بحيث تشترك البكسلات التي تحمل نفس التسمية في خصائص معينة.

ينتج عن تجزئة الصورة مجموعة من القطاعات التي تغطي الصورة بأكملها، أو مجموعة من الخطوط الخارجية المستخرجة منها (انظر: كشف الحواف ). تتشابه كل بكسل في منطقة ما فيما يتعلق بخاصية أو سمة محسوبة، ^{[ 3 ]} مثل اللون أو الشدة أو الملمس . وتختلف المناطق المتجاورة اختلافًا كبيرًا فيما يتعلق بالخاصية (الخصائص) نفسها. ^{[ 1 ]} عند تطبيق هذه التقنية على مجموعة من الصور، كما هو شائع في التصوير الطبي ، يمكن استخدام الخطوط الخارجية الناتجة بعد تجزئة الصورة لإنشاء نماذج ثلاثية الأبعاد باستخدام خوارزميات إعادة بناء الهندسة مثل خوارزمية المكعبات المتحركة . ^{[ 4 ]}

من التطبيقات العملية لتقسيم الصور ما يلي:

• استرجاع الصور بناءً على المحتوى ^{[ 5 ]}
• رؤية الآلة
• التصوير الطبي ، ^{[ 6 ] [ 7 ]} ودراسات التصوير في البحوث الطبية الحيوية، بما في ذلك الصور ثلاثية الأبعاد من التصوير المقطعي المحوسب ، والتصوير بالرنين المغناطيسي ، بالإضافة إلى تقنيات المجهر الإلكتروني ثلاثي الأبعاد مثل FIB-SEM. ^{[ 8 ]}
  • تحديد موقع الأورام والأمراض الأخرى ^{[ 9 ] [ 10 ]}
  • قياس أحجام الأنسجة ^{[ 11 ] [ 12 ]}
  • التشخيص، ودراسة التركيب التشريحي ^{[ 13 ]}
  • التخطيط للجراحة
  • محاكاة الجراحة الافتراضية
  • الملاحة أثناء الجراحة
  • العلاج الإشعاعي ^{[ 14 ]}
  • علم الأمراض الرقمي وعلم الأنسجة المرضية . يشير تجزئة أنوية الخلايا في صور الشرائح الكاملة المصبوغة بصبغات مختلفة (WSIs) إلى التحديد التلقائي لحدود أنوية الخلايا الفردية. تُعد هذه المهمة مشكلة فرعية متخصصة من تجزئة الخلايا، ولها أهمية عملية كبيرة في البحوث الطبية الحيوية والتشخيص (مثل عد الخلايا، واستخراج السمات المورفومترية، وتصنيف الأورام، واستخراج المؤشرات الحيوية للتنبؤ بالتشخيص). ^{[ 15 ]} يتمثل النهج الحديث لحل هذه المشكلة في استخدام بنى التعلم العميق المصممة خصيصًا لمواجهة التحديات الرئيسية المتمثلة في فصل الأنوية المتداخلة أو المندمجة. ^{[ 16 ] [ 17 ] [ 18 ]} ويُشكل ندرة مجموعات البيانات المصنفة يدويًا تحديًا آخر لهذه المشكلة. ^{[ 19 ] [ 20 ] [ 21 ]}
• الكشف عن الأجسام ^{[ 22 ]}
  • كشف المشاة
  • التعرف على الوجه
  • كشف ضوء الفرامل
  • تحديد مواقع الأجسام في صور الأقمار الصناعية (الطرق، الغابات، المحاصيل، إلخ).
• مهام التعرف
  • التعرف على الوجه
  • التعرف على بصمات الأصابع
  • التعرف على قزحية العين
  • ممنوع دخول نقاط التفتيش الأمنية بالمطار
• أنظمة التحكم المروري
• المراقبة بالفيديو
• تجزئة الكائنات في الفيديو وتحديد موقع الحركة ^{[ 23 ] [ 24 ]}

طُوِّرت العديد من الخوارزميات والتقنيات العامة لتجزئة الصور. ولكي تكون هذه التقنيات مفيدة، يجب عادةً دمجها مع المعرفة الخاصة بالمجال لحل مشاكل التجزئة في ذلك المجال بفعالية.

توجد فئتان من تقنيات التجزئة.

• أساليب رؤية الحاسوب الكلاسيكية
• تقنيات تعتمد على الذكاء الاصطناعي

• التجزئة الدلالية هي أسلوب يحدد الفئة التي ينتمي إليها كل بكسل. ^{[ 25 ]} على سبيل المثال، في صورة تحتوي على العديد من الأشخاص، ستحمل جميع البكسلات التي تنتمي إلى الأشخاص نفس معرّف الفئة، بينما تُصنّف البكسلات الموجودة في الخلفية على أنها خلفية. ^{[ 26 ]}
• تجزئة الكائنات هي أسلوب يحدد، لكل بكسل، الكائن الذي ينتمي إليه تحديدًا. ويكشف هذا الأسلوب عن كل كائن مميز في الصورة. ^{[ 27 ]} على سبيل المثال، عند تجزئة كل شخص في الشكل ككائن منفصل.
• يجمع تجزئة الصور الشاملة بين التجزئة الدلالية وتجزئة الصور الفردية. وكما هو الحال في التجزئة الدلالية، فإن تجزئة الصور الشاملة هي منهجية تحدد الفئة التي ينتمي إليها كل بكسل. علاوة على ذلك، وكما هو الحال في تجزئة الصور الفردية، تميز تجزئة الصور الشاملة بين الحالات المختلفة لنفس الفئة. ^{[ 28 ]}

تُعرف أبسط طرق تجزئة الصور بطريقة العتبة . تعتمد هذه الطريقة على مستوى قص (أو قيمة عتبة) لتحويل الصورة الرمادية إلى صورة ثنائية.

يكمن جوهر هذه الطريقة في اختيار قيمة العتبة (أو القيم عند اختيار مستويات متعددة). وتُستخدم عدة طرق شائعة في الصناعة، منها طريقة أقصى إنتروبيا، وطريقة العتبة المتوازنة للرسم البياني ، وطريقة أوتسو (أقصى تباين)، وخوارزمية التجميع k-means .

طُوِّرت مؤخراً طرقٌ لتحديد عتبة صور الأشعة المقطعية. وتتمثل الفكرة الأساسية في أنه، على عكس طريقة أوتسو، تُستمد العتبات من الصور الشعاعية بدلاً من الصورة (المُعاد بناؤها). ^{[ 29 ] [ 30 ]}

تقترح أساليب جديدة استخدام عتبات غير خطية متعددة الأبعاد تعتمد على قواعد ضبابية. في هذه الأساليب، يُبنى القرار بشأن انتماء كل بكسل إلى مقطع معين على قواعد متعددة الأبعاد مستمدة من المنطق الضبابي والخوارزميات التطورية، مع مراعاة عوامل مثل إضاءة الصورة والبيئة والتطبيق. ^{[ 31 ]}

صورة المصدر

صورة بعد تشغيل خوارزمية k -means مع k = 16. لاحظ أن إحدى التقنيات الشائعة لتحسين الأداء للصور الكبيرة هي تقليل حجم الصورة، وحساب المجموعات، ثم إعادة تعيين القيم للصورة الأكبر حجمًا إذا لزم الأمر.

خوارزمية K-means هي تقنية تكرارية تُستخدم لتقسيم الصورة إلى K مجموعة. ^{[ 32 ]} الخوارزمية الأساسية هي

1. اختر مراكز التجميع K ، إما عشوائيًا أو بناءً على طريقة استدلالية ، على سبيل المثال K-means++
2. قم بتعيين كل بكسل في الصورة إلى المجموعة التي تقلل المسافة بين البكسل ومركز المجموعة
3. أعد حساب مراكز التجمعات عن طريق حساب متوسط ​​جميع البكسلات في التجمع.
4. كرر الخطوتين 2 و 3 حتى يتم الوصول إلى التقارب (أي لا تتغير مجموعات البكسلات).

في هذه الحالة، تُعرَّف المسافة بأنها مربع أو الفرق المطلق بين بكسل ومركز مجموعة. ويعتمد هذا الفرق عادةً على لون البكسل ، وشدته ، وملمسه ، وموقعه، أو على توليفة موزونة من هذه العوامل. يمكن اختيار قيمة K يدويًا، أو عشوائيًا ، أو باستخدام طريقة استدلالية . يضمن هذا الخوارزمية التقارب، ولكنه قد لا يُعيد الحل الأمثل . وتعتمد جودة الحل على المجموعة الأولية من المجموعات وقيمة K.

خوارزمية إزاحة المتوسط ​​هي تقنية تُستخدم لتقسيم الصورة إلى عدد غير معروف مسبقًا من المجموعات. تتميز هذه الخوارزمية بعدم الحاجة إلى البدء بتخمين أولي لهذا المعامل، مما يجعلها حلاً عامًا أفضل لحالات أكثر تنوعًا.

التجزئة القائمة على الحركة هي تقنية تعتمد على الحركة في الصورة لإجراء التجزئة.

الفكرة بسيطة: انظر إلى الاختلافات بين صورتين. بافتراض أن الجسم المراد دراسته يتحرك، فسيكون الاختلاف هو ذلك الجسم تحديداً.

وقد قام كيني وآخرون بتطوير هذه الفكرة واقترحوا التجزئة التفاعليةيستخدمون روبوتًا للضغط على الأشياء من أجل توليد إشارة الحركة اللازمة للتجزئة القائمة على الحركة.

يتبع التجزئة التفاعلية إطار الإدراك التفاعلي الذي اقترحه دوف كاتزوأوليفر بروك.

هناك تقنية أخرى تعتمد على الحركة وهي تجزئة الحركة الصلبة .

تفترض طرق الضغط أن التجزئة المثلى هي التي تُقلل، من بين جميع التجزئات الممكنة، طول ترميز البيانات. ^{[ 33 ] [ 34 ]} يكمن الرابط بين هذين المفهومين في أن التجزئة تسعى إلى إيجاد أنماط في الصورة، ويمكن استخدام أي انتظام في الصورة لضغطها. تصف الطريقة كل جزء من خلال نسيجه وشكل حدوده. يتم نمذجة كل مكون من هذه المكونات بواسطة دالة توزيع احتمالي، ويُحسب طول ترميزه كما يلي:

1. تستفيد تقنية ترميز الحدود من حقيقة أن المناطق في الصور الطبيعية تميل إلى امتلاك حدود ناعمة. يستخدم ترميز هوفمان هذه المعلومة لترميز سلسلة الفرق للحدود في الصورة. وبالتالي، كلما كانت الحدود أكثر نعومة، كان طول الترميز أقصر.
2. يتم ترميز النسيج باستخدام ضغط البيانات مع فقدان البيانات بطريقة مشابهة لمبدأ الحد الأدنى لطول الوصف (MDL)، ولكن هنا يُقارب طول البيانات المُعطى للنموذج بعدد العينات مضروبًا في إنتروبيا النموذج. يُنمذج النسيج في كل منطقة بتوزيع طبيعي متعدد المتغيرات ، حيث تمتلك إنتروبيا هذا التوزيع صيغة مغلقة. من الخصائص المهمة لهذا النموذج أن الإنتروبيا المُقدّرة تُحدِّد الإنتروبيا الحقيقية للبيانات المذكورة أعلاه. وذلك لأن التوزيع الطبيعي، من بين جميع التوزيعات ذات المتوسط ​​والتباين المُحددين، يمتلك أكبر إنتروبيا. وبالتالي، لا يمكن أن يتجاوز طول الترميز الحقيقي ما تحاول الخوارزمية تقليله.

بالنسبة لأي تجزئة معينة للصورة، تُحدد هذه الخوارزمية عدد البتات اللازمة لترميز تلك الصورة بناءً على التجزئة المُعطاة. وبالتالي، من بين جميع التجزئات الممكنة للصورة، يكمن الهدف في إيجاد التجزئة التي تُنتج أقصر طول ترميز. يُمكن تحقيق ذلك باستخدام طريقة التجميع الهرمي البسيطة. يُحدد التشوه في الضغط مع فقدان البيانات مدى خشونة التجزئة، وقد تختلف قيمته المثلى من صورة لأخرى. يُمكن تقدير هذه المعلمة تجريبيًا من خلال تباين الأنسجة في الصورة. على سبيل المثال، عندما تكون الأنسجة في الصورة متشابهة، كما هو الحال في صور التمويه، يلزم حساسية أعلى وبالتالي تكميم أقل.

تُعدّ الطرق القائمة على المدرج التكراري فعّالة للغاية مقارنةً بطرق تجزئة الصور الأخرى، لأنها تتطلب عادةً تمريرة واحدة فقط على البكسلات . في هذه التقنية، يُحسب مدرج تكراري من جميع البكسلات في الصورة، وتُستخدم القمم والقيعان في هذا المدرج لتحديد مواقع التجمعات في الصورة. ^{[ 1 ]} ويمكن استخدام اللون أو شدة الإضاءة كمقياس.

يتمثل أحد التحسينات على هذه التقنية في تطبيق طريقة البحث عن المدرج التكراري بشكل متكرر على التجمعات في الصورة لتقسيمها إلى تجمعات أصغر. وتُكرر هذه العملية مع تجمعات أصغر فأصغر حتى لا تتشكل تجمعات أخرى. ^{[ 1 ] [ 35 ]}

من عيوب طريقة البحث عن الرسم البياني أنه قد يكون من الصعب تحديد القمم والوديان المهمة في الصورة.

يمكن تكييف الأساليب القائمة على المدرج التكراري بسرعة لتطبيقها على عدة إطارات، مع الحفاظ على كفاءتها في المرور الواحد. ويمكن تطبيق المدرج التكراري بطرق متعددة عند النظر في عدة إطارات. فالأسلوب نفسه المُتبع مع إطار واحد يُمكن تطبيقه على عدة إطارات، وبعد دمج النتائج، يصبح من الأسهل تمييز القمم والقيعان التي كان من الصعب تحديدها سابقًا. كما يُمكن تطبيق المدرج التكراري على أساس كل بكسل على حدة، حيث تُستخدم المعلومات الناتجة لتحديد اللون الأكثر تكرارًا لموقع البكسل. يعتمد هذا الأسلوب على تقسيم الصورة بناءً على الكائنات النشطة والبيئة الثابتة، مما ينتج عنه نوع مختلف من التقسيم مفيد في تتبع الفيديو .

يُعدّ اكتشاف الحواف مجالًا متطورًا بحد ذاته ضمن معالجة الصور. ترتبط حدود المناطق والحواف ارتباطًا وثيقًا، نظرًا لوجود تغير حاد في شدة الإضاءة عند حدود المناطق. ولذلك، استُخدمت تقنيات اكتشاف الحواف كأساس لتقنية تجزئة أخرى.

غالبًا ما تكون الحواف التي تحددها تقنية كشف الحواف غير متصلة. ولكن لفصل جسم ما من صورة، نحتاج إلى حدود مناطق مغلقة. والحواف المطلوبة هي الحدود بين هذه الأجسام أو التصنيفات المكانية. ^{[ 36 ] [ 37 ]}

تُعدّ التصنيفات المكانية ^{[ 38 ]} حبيبات معلوماتية ^{[ 39 ]} ، تتألف من منطقة بكسل واضحة، تقع على مستويات تجريدية ضمن بنية مشهد هرمية متداخلة. وهي تُشبه التسمية النفسية "الشكل والخلفية" في علم النفس الغشتالتي ، ولكنها مُوسّعة لتشمل المقدمة، ومجموعات الكائنات، والكائنات، وأجزاء الكائنات البارزة. يُمكن تطبيق أساليب كشف الحواف على منطقة التصنيف المكاني، بنفس الطريقة التي تُطبّق بها على الصورة الظلية. تُعدّ هذه الطريقة مفيدة بشكل خاص عندما تكون الحافة المنفصلة جزءًا من محيط وهمي ^{[ 40 ] [ 41 ].}

يمكن أيضًا تطبيق أساليب التجزئة على الحواف المستخرجة من كاشفات الحواف. طور ليندبيرغ ولي ^{[ 42 ]} طريقة متكاملة لتجزئة الحواف إلى أجزاء مستقيمة ومنحنية للتعرف على الأجسام بناءً على الأجزاء، وذلك استنادًا إلى معيار الحد الأدنى لطول الوصف (MDL ₎ الذي تم تحسينه بواسطة طريقة تشبه التقسيم والدمج مع نقاط انقطاع مرشحة مستمدة من إشارات الوصلات التكميلية للحصول على نقاط أكثر احتمالًا للنظر في التقسيمات إلى أجزاء مختلفة.

يُعدّ اكتشاف النقاط المعزولة في الصورة جزءًا أساسيًا من تجزئة الصور. وتعتمد هذه العملية بشكل أساسي على المشتقة الثانية، مما يستدعي استخدام مؤثر لابلاس. لابلاس دالة${\displaystyle f(x,y)}$يُعطى بواسطة:

${\displaystyle \nabla ^{2}f(x,y)={\frac {\partial ^{2}f}{\partial x^{2}}}+{\frac {\partial ^{2}f}{\partial y^{2}}}}$

يُستخدم مؤثر لابلاس بحيث تُشتق المشتقات الجزئية من معادلة محددة. المشتقة الجزئية الثانية لـ${\displaystyle f(x,y)}$بالنسبة إلى${\displaystyle x}$و${\displaystyle y}$يتم الحصول عليها من خلال:

${\displaystyle {\frac {\partial ^{2}f(x,y)}{\partial x^{2}}}=f(x+1,y)+f(x-1,y)-2f(x,y)}$

${\displaystyle {\frac {\partial ^{2}f(x,y)}{\partial y^{2}}}=f(x,y+1)+f(x,y-1)-2f(x,y)}$

ثم تُستخدم هذه المشتقات الجزئية لحساب لابلاس على النحو التالي:

${\displaystyle \nabla ^{2}f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)}$

يمكن تطبيق هذا التعبير الرياضي عن طريق دمجه مع قناع مناسب. عند توسيع هذه المعادلة لتشمل ثلاثة أبعاد (س، ص، ع)، يتم استبدال شدة الإضاءة عند كل بكسل حول بكسل مركزي عند (س، ص، ع) بقيمها المناظرة. تصبح هذه المعادلة مفيدة بشكل خاص عند افتراض أن جميع البكسلات لها مسافة وحدة واحدة على طول كل محور.

تم تطوير قناع كروي لاستخدامه مع مجموعات البيانات ثلاثية الأبعاد. صُمم هذا القناع الكروي لاستخدام العمليات الحسابية الصحيحة فقط أثناء الحسابات، مما يلغي الحاجة إلى أجهزة أو برامج الفاصلة العائمة.

عند تطبيق هذه المفاهيم على الصور الفعلية المُمثلة كمصفوفات من الأرقام، نحتاج إلى مراعاة ما يحدث عند الوصول إلى حافة أو منطقة حدودية.${\displaystyle g(x,y)}$يُعرَّف على النحو التالي:

${\displaystyle g(x,y)={\begin{cases}1&{\text{if }}|R(x,y)|\geq T\\0&{\text{otherwise}}\end{cases}}}$

تُستخدم المعادلة أعلاه لتحديد ما إذا كانت نقطة ما في الصورة نقطة معزولة بناءً على مقدار الاستجابة${\displaystyle |R(x,y)|}$وقيمة عتبة${\displaystyle T}$إذا كانت قيمة الاستجابة أكبر من أو تساوي العتبة، فإن الدالة تُرجع القيمة 1، مما يشير إلى وجود نقطة معزولة؛ وإلا فإنها تُرجع القيمة 0. وهذا يساعد في الكشف الفعال عن النقاط المعزولة في الصورة وتقسيمها. ^{[ 43 ]}

يُعدّ الكشف عن النقاط المعزولة ذا أهمية بالغة في مجالات متنوعة، بما في ذلك معالجة صور الأشعة السينية. فعلى سبيل المثال، يمكن فحص صورة الأشعة السينية الأصلية لشفرة توربين بكسلًا بكسلًا للكشف عن المسامية في الربع العلوي الأيمن من الشفرة. ويمكن تقريب نتيجة تطبيق استجابة كاشف الحواف على هذه الصورة. وهذا يُبيّن تجزئة النقاط المعزولة في الصورة باستخدام مجسات أحادية البكسل. ^{[ 43 ]}

تعتمد هذه الطريقة على دمج ثلاث خصائص للصورة: يتم التحقق من تقسيم الصورة بناءً على تحليل المدرج التكراري من خلال تماسك التجمعات (العناصر) وتدرجات حدودها العالية. ولتحقيق ذلك، يجب تحديد فضاءين: الأول هو المدرج التكراري أحادي البعد للسطوع H = H ( B )؛ والثاني هو الفضاء الثنائي ثلاثي الأبعاد للصورة الأصلية B = B ( x , y ). يسمح الفضاء الأول بقياس مدى تماسك توزيع سطوع الصورة من خلال حساب الحد الأدنى للتجميع kmin. يحدد سطوع العتبة T المقابل لـ kmin الصورة الثنائية (أبيض وأسود) - خريطة البت b = φ ( x , y )، حيث φ ( x , y ) = 0 إذا كان B ( x , y ) < T ، و φ ( x , y ) = 1 إذا كان B ( x , y ) ≥ T. خريطة البت b هي عنصر في الفضاء الثنائي . يجب تحديد مقياس على تلك الصورة النقطية يعكس مدى تقارب توزيع البكسلات السوداء (أو البيضاء). لذا، الهدف هو إيجاد كائنات ذات حدود واضحة. لكل قيمة T، _يجب حساب المقياس MDC = G / ( k × L ) (حيث k هو فرق السطوع بين الكائن والخلفية، و L هو طول جميع الحدود، و G هو متوسط ​​التدرج على الحدود). تحدد القيمة القصوى لـ MDC عملية التجزئة. ^{[ 44 ]}                   

تعتمد طرق توسيع المناطق بشكل أساسي على افتراض أن البكسلات المتجاورة داخل منطقة واحدة لها قيم متشابهة. وتتمثل الطريقة الشائعة في مقارنة كل بكسل بجيرانه. إذا استوفى البكسل معيار التشابه المطلوب، يُمكن تصنيفه ضمن نفس المجموعة التي ينتمي إليها واحد أو أكثر من جيرانه. يُعد اختيار معيار التشابه بالغ الأهمية، وتتأثر النتائج بالتشويش في جميع الحالات.

تبدأ طريقة دمج المناطق الإحصائية ^{[ 45 ]} (SRM) ببناء رسم بياني للبكسلات باستخدام اتصال رباعي، حيث تُوزن الحواف بالقيمة المطلقة لفرق شدة الإضاءة. في البداية، يشكل كل بكسل منطقة بكسل منفردة. ثم تقوم SRM بترتيب هذه الحواف في قائمة انتظار ذات أولوية ، وتقرر ما إذا كان سيتم دمج المناطق الحالية التابعة لبكسلات الحواف باستخدام دالة إحصائية.

إحدى طرق توسيع المناطق هي طريقة توسيع المناطق المُحددة مسبقًا. تأخذ هذه الطريقة مجموعة من القيم الأولية كمدخلات مع الصورة. تُحدد هذه القيم الأولية كل كائن من الكائنات المراد تقسيمها. يتم توسيع المناطق بشكل تكراري من خلال مقارنة جميع البكسلات المجاورة غير المُخصصة بالمناطق. الفرق بين قيمة شدة البكسل ومتوسط ​​شدة المنطقة،${\displaystyle \delta }$يُستخدم هذا المقياس لقياس التشابه . تُنسب البكسلات ذات أقل فرق مُقاس بهذه الطريقة إلى المنطقة المعنية. تستمر هذه العملية حتى تُنسب جميع البكسلات إلى منطقة. ولأن نمو المنطقة المُحددة مسبقًا يتطلب بذورًا كمدخلات إضافية، فإن نتائج التجزئة تعتمد على اختيار هذه البذور، وقد يؤدي التشويش في الصورة إلى وضع البذور في غير موضعها الصحيح.

هناك طريقة أخرى لتوسيع المنطقة وهي طريقة توسيع المنطقة بدون بذور. وهي خوارزمية معدلة لا تتطلب بذورًا صريحة. تبدأ بمنطقة واحدة.${\displaystyle A_{1}}$لا يؤثر البكسل المُختار هنا بشكل ملحوظ على التجزئة النهائية. في كل تكرار، يتم أخذ البكسلات المجاورة في الاعتبار بنفس طريقة نمو المنطقة المُهيأة. ويختلف عن نمو المنطقة المُهيأة في أنه إذا كان الحد الأدنى${\displaystyle \delta }$أقل من عتبة محددة مسبقًا${\displaystyle T}$ثم تتم إضافته إلى المنطقة المعنية${\displaystyle A_{j}}$وإلا، فسيتم اعتبار البكسل مختلفًا عن جميع المناطق الحالية${\displaystyle A_{i}}$ومنطقة جديدة${\displaystyle A_{n+1}}$يتم إنشاؤها باستخدام هذه البكسل.

تعتمد إحدى صيغ هذه التقنية، التي اقترحها هاراليك وشابيرو (1985) ^{[ 1 ]} ، على شدة البكسلات . يُستخدم متوسط ​​المنطقة وتشتتها، بالإضافة إلى شدة البكسل المرشح، لحساب إحصائية الاختبار . إذا كانت إحصائية الاختبار صغيرة بما يكفي، يُضاف البكسل إلى المنطقة، ويُعاد حساب متوسط ​​المنطقة وتشتتها. وإلا، يُرفض البكسل، ويُستخدم لتكوين منطقة جديدة.

تُسمى طريقة نمو المنطقة الخاصة${\displaystyle \lambda }$التجزئة المتصلة (انظر أيضًا اتصال لامدا ). تعتمد هذه التجزئة على شدة البكسلات ومسارات الربط بين البكسلات المجاورة. تُحسب درجة الاتصال (الترابط) بناءً على مسار يتكون من البكسلات. بالنسبة لقيمة معينة من${\displaystyle \lambda }$يُطلق على البكسلين اسم${\displaystyle \lambda }$يُعتبر متصلاً إذا كان هناك مسار يربط بين هذين البكسلين وكانت درجة اتصال هذا المسار على الأقل${\displaystyle \lambda }$.${\displaystyle \lambda }$الترابط هو علاقة تكافؤ . ^{[ 46 ]}

تعتمد تقنية التجزئة بالتقسيم والدمج على تقسيم الصورة باستخدام شجرة رباعية . وتُسمى أحيانًا بتجزئة الشجرة الرباعية.

تبدأ هذه الطريقة من جذر الشجرة التي تمثل الصورة بأكملها. إذا وُجدت غير منتظمة (غير متجانسة)، تُقسّم إلى أربعة مربعات فرعية (عملية التقسيم)، وهكذا. أما إذا كانت المربعات الفرعية الأربعة متجانسة، فتُدمج كمجموعة من المكونات المتصلة (عملية الدمج). تُسمى العقدة في الشجرة عقدة مُجزأة. تستمر هذه العملية بشكل متكرر حتى يتعذر إجراء المزيد من التقسيمات أو الدمج. ^{[ 47 ] [ 48 ]} عند استخدام بنية بيانات خاصة في تنفيذ خوارزمية هذه الطريقة، قد يصل تعقيدها الزمني إلى${\displaystyle O(n\log n)}$، خوارزمية مثلى للطريقة. ^{[ 49 ]}

باستخدام طريقة تعتمد على المعادلات التفاضلية الجزئية (PDE) وحل هذه المعادلات باستخدام خوارزمية عددية، يمكن تقسيم الصورة. ^{[ 50 ]} يُعدّ انتشار المنحنى تقنية شائعة في هذا المجال، ولها تطبيقات عديدة في استخراج الأجسام وتتبعها وإعادة بناء الصور المجسمة، وغيرها. وتتمثل الفكرة الأساسية في تطوير منحنى أولي نحو أدنى قيمة ممكنة لدالة التكلفة، حيث يعكس تعريفها المهمة المراد معالجتها. وكما هو الحال في معظم المسائل العكسية ، فإن تقليل دالة التكلفة ليس بالأمر البسيط، ويفرض قيودًا معينة على سلاسة الحل، والتي يمكن التعبير عنها في هذه الحالة كقيود هندسية على المنحنى المتطور.

يهدف أسلوب التباين إلى إيجاد تجزئة مثالية بالنسبة لدالة طاقة محددة. تتكون هذه الدوال من حدّ لملاءمة البيانات وحدّات تنظيمية. ومن الأمثلة الكلاسيكية على ذلك نموذج بوتس المُعرَّف للصورة.${\displaystyle f}$بواسطة

${\displaystyle \operatorname {argmin} _{u}\gamma \|\nabla u\|_{0}+\int (uf)^{2}\,dx.}$

مُصغِّر${\displaystyle u^{*}}$هي صورة ثابتة جزئياً تحقق توازناً مثالياً بين مربع مسافة L2 للصورة المعطاة${\displaystyle f}$والطول الإجمالي لمجموعة قفزاتها. مجموعة قفزات${\displaystyle u^{*}}$يُحدد هذا التقسيم. ويتم ضبط الوزن النسبي للطاقات بواسطة المعامل${\displaystyle \gamma >0}$النموذج الثنائي لنموذج بوتس، أي إذا كان نطاق${\displaystyle u}$يُطلق على النموذج الذي يقتصر على قيمتين اسم نموذج شان- فيز . ^{[ 57 ]} ومن أهم تعميماته نموذج مامفورد-شاه ^{[ 58 ]} المُعطى بواسطة

${\displaystyle \operatorname {argmin} _{u,K}\gamma |K|+\mu \int _{K^{C}}|\nabla u|^{2}\,dx+\int (uf)^{2}\,dx.}$

القيمة الوظيفية هي مجموع الطول الإجمالي لمنحنى التجزئة${\displaystyle K}$، سلاسة التقريب${\displaystyle u}$، ومسافتها عن الصورة الأصلية${\displaystyle f}$يتم تعديل وزن عقوبة النعومة بواسطة${\displaystyle \mu >0}$يُطلق على نموذج بوتس غالبًا اسم نموذج مومفورد-شاه ذي القطع الثابتة، لأنه يُمكن اعتباره الحالة المنحطة.${\displaystyle \mu \to \infty }$من المعروف أن مسائل التحسين تُصنف عمومًا ضمن المسائل الصعبة من نوع NP، إلا أن استراتيجيات الاقتراب من الحد الأدنى تُحقق نتائج جيدة عمليًا. ومن الخوارزميات الكلاسيكية المستخدمة: خوارزمية عدم التحدب المتدرج وخوارزمية تقريب أمبروسيو-تورتوريلي .

تُعدّ طرق تقسيم الرسوم البيانية أدوات فعّالة لتجزئة الصور، إذ تُحاكي تأثير جوار البكسلات على مجموعة مُحددة من البكسلات أو بكسل واحد، بافتراض تجانس الصور. في هذه الطرق، تُنمذج الصورة كرسم بياني غير مُوجّه وموزون . عادةً ما يرتبط كل بكسل أو مجموعة بكسلات بعُقد، وتُحدد أوزان الحواف مدى التشابه أو الاختلاف بين بكسلات الجوار. ثم يُقسّم الرسم البياني (الصورة) وفقًا لمعيار مُصمّم لنمذجة المجموعات "الجيدة". يُعتبر كل تقسيم للعُقد (البكسلات) الناتج عن هذه الخوارزميات جزءًا من كائن في الصورة؛ انظر تصنيف الكائنات القائم على التجزئة . من بين الخوارزميات الشائعة في هذه الفئة: القطع المُعَيَّرة ^{[ 59 ]} ، والمُشاة العشوائيون ^{[ 60 ]} ، والقطع الأدنى ^{[ 61 ]} ، والتقسيم المُتساوي المحيط ^{[ 62 ]} ، والتجزئة القائمة على الشجرة الممتدة الدنيا ^{[ 63 ]} ، وتصنيف الكائنات القائم على التجزئة .

حقول ماركوف العشوائية

اقترح جيمان وجيمان تطبيق حقول ماركوف العشوائية (MRF) على الصور في أوائل عام 1984. ^{[ 64 ]} وقد أثبت أساسها الرياضي المتين وقدرتها على توفير الحل الأمثل الشامل حتى عند تعريفها على السمات المحلية، أنها أساسٌ لأبحاث جديدة في مجال تحليل الصور، وإزالة التشويش، وتقسيمها. تتميز حقول ماركوف العشوائية (MRF) بتوزيعاتها الاحتمالية المسبقة، وتوزيعاتها الاحتمالية الهامشية، ومجموعاتها ، وقيد التنعيم، بالإضافة إلى معيار تحديث القيم. يُعاد صياغة معيار تقسيم الصور باستخدام حقول ماركوف العشوائية (MRF) على أنه إيجاد مخطط التصنيف الذي يحقق أعلى احتمال لمجموعة معينة من السمات. تشمل الفئات الرئيسية لتقسيم الصور باستخدام حقول ماركوف العشوائية (MRF) التقسيم الخاضع للإشراف والتقسيم غير الخاضع للإشراف.

تجزئة الصور الخاضعة للإشراف باستخدام MRF و MAP

فيما يتعلق بتقسيم الصور، فإن الدالة التي تسعى نماذج ماركوف العشوائية (MRFs) إلى تعظيمها هي احتمالية تحديد مخطط تصنيف معين عند اكتشاف مجموعة محددة من الميزات في الصورة. وهذا إعادة صياغة لطريقة تقدير الاحتمال اللاحق الأقصى .

فيما يلي الخوارزمية العامة لتقسيم الصور باستخدام MAP:

1. حدد نطاق الجوار لكل ميزة (متغير عشوائي في مصطلحات MRF). يشمل ذلك عمومًا الجيران من الدرجة الأولى أو الثانية.
2. حدد الاحتمالات الأولية P ( f _i ) > لكل ميزة على أنها 0 أو
3. حيث f _i ∈ Σ هي المجموعة التي تحتوي على الميزات المستخرجة للبكسل i وتحدد مجموعة أولية من المجموعات.
4. باستخدام بيانات التدريب، احسب المتوسط ​​( μ _{ℓ i} ) والتباين ( σ _{ℓ i} ) لكل تصنيف. يُطلق على هذا اسم إحصائيات الفئة.
5. احسب التوزيع الهامشي لنظام التصنيف المعطى P ( fi  | ℓi ₎  باستخدام نظرية بايز وإحصائيات الفئة المحسوبة _سابقًا . يُستخدم نموذج غاوسي للتوزيع الهامشي.

   ${\displaystyle {\frac {1}{\sigma (\ell _{i}){\sqrt {2\pi }}}}e^{-(f_{i}-\mu (\ell _{i}))^{2}/(2\sigma (\ell _{i})^{2})}\,d\ell _{i}}$

6. احسب احتمالية كل تصنيف بناءً على الجوار المحدد مسبقًا. تُستخدم إمكانات الزمر لنمذجة التأثير الاجتماعي في التصنيف.
7. يتم تكرار عملية حساب الاحتمالات المسبقة الجديدة وإعادة تعريف المجموعات بحيث يتم تعظيم هذه الاحتمالات. ويتم ذلك باستخدام مجموعة متنوعة من خوارزميات التحسين الموضحة أدناه.
8. توقف عندما تصل الاحتمالية إلى أقصى حد ولا يتغير نظام التصنيف. يمكن تنفيذ الحسابات باستخدام دالة الاحتمالية اللوغاريتمية أيضًا.

خوارزميات التحسين

كل خوارزمية تحسين هي عبارة عن تكييف لنماذج من مجالات متنوعة، وتتميز كل منها بوظيفة التكلفة الخاصة بها. السمة المشتركة لوظائف التكلفة هي معاقبة التغير في قيمة البكسل، بالإضافة إلى اختلاف تصنيف البكسل مقارنةً بتصنيفات البكسلات المجاورة.

الأنماط الشرطية المتكررة / انحدار التدرج

تحاول خوارزمية الأنماط الشرطية المتكررة ( ICM) إعادة بناء مخطط التصنيف المثالي عن طريق تغيير قيم كل بكسل في كل تكرار وتقييم طاقة مخطط التصنيف الجديد باستخدام دالة التكلفة الموضحة أدناه.

${\displaystyle \alpha (1-\delta (\ell _{i}-\ell _{{\text{initial }}i})+\beta \Sigma _{q\in N(i)}(1-\delta (\ell _{i},\ell _{q(i)})).}$

حيث تمثل α عقوبة تغيير تسمية البكسل، وتمثل β عقوبة اختلاف التسمية بين البكسلات المجاورة والبكسل المختار.${\displaystyle N(i)}$تمثل المنطقة المجاورة للبكسل i، و δ هي دالة دلتا كرونكر. من أبرز مشاكل خوارزمية ICM أنها، على غرار خوارزمية التدرج الهبوطي، تميل إلى الاستقرار عند القيم القصوى المحلية، وبالتالي لا تصل إلى مخطط تصنيف أمثل عالميًا.

التلدين المحاكي (SA)

تعتمد خوارزمية التلدين المحاكي (SA)، المستوحاة من عملية التلدين في علم المعادن، على تغيير تسمية البكسل عبر التكرارات، وتقدر الفرق في طاقة كل رسم بياني مُنشأ حديثًا مقارنةً بالبيانات الأولية. إذا كان الرسم البياني المُنشأ حديثًا أكثر جدوى من حيث انخفاض تكلفة الطاقة، يُعطى بالمعادلة التالية:

${\displaystyle \Delta U=U^{\text{new}}-U^{\text{old}}}$

$\begin{cases}\ell_i^{\text{new}},&{\text{if }}\Delta U\leq 0,\\\ell_i^{\text{new}},&{\text{if }}\Delta U>0{\text{ and }}\delta <e^{-\Delta U/T},\ell_i^{\text{old}}\end{cases}}}$

تختار الخوارزمية الرسم البياني المُشكّل حديثًا. تتطلب عملية التلدين المحاكي إدخال جداول درجات الحرارة التي تؤثر بشكل مباشر على سرعة تقارب النظام، بالإضافة إلى عتبة الطاقة اللازمة لحدوث عملية التصغير.

خوارزميات بديلة

توجد مجموعة من الطرق الأخرى لحل نماذج ماركوف العشوائية البسيطة والمعقدة. تشمل هذه الطرق تعظيم الاحتمال الهامشي الخلفي، وتقدير الاحتمال اللاحق الأقصى متعدد المقاييس ^{[ 65 ]} ، وتجزئة الصور متعددة الدقة ^{[ 66 ]} ، وغيرها. بالإضافة إلى تقديرات الاحتمالية، توجد طرق أخرى لحل نماذج ماركوف العشوائية، مثل قطع الرسم البياني باستخدام التدفق الأقصى ^{[ 67 ]،} وغيرها من الطرق القائمة على الرسوم البيانية ذات القيود العالية ^{[ 68 ] [ 69 ]} .

تجزئة الصور باستخدام MAP وخوارزمية التوقع والتعظيم

تُستخدم خوارزمية التوقع والتعظيم لتقدير احتمالات التوزيعات اللاحقة للتصنيف بشكل تكراري عندما لا تتوفر بيانات تدريب ولا يمكن تكوين نموذج تجزئة. يتمثل النهج العام في استخدام المدرجات التكرارية لتمثيل خصائص الصورة، ثم اتباع الخطوات الموضحة بإيجاز في هذه الخوارزمية المكونة من ثلاث خطوات:

1. يتم استخدام تقدير عشوائي لمعلمات النموذج.

2. الخطوة E: تقدير إحصائيات الفئة بناءً على نموذج التجزئة العشوائي المحدد. باستخدام هذه الإحصائيات، يتم حساب الاحتمالية الشرطية للانتماء إلى تصنيف معين بالنظر إلى مجموعة الميزات المحسوبة باستخدام نظرية بايز البسيطة .

${\displaystyle P(\lambda \mid f_{i})={\frac {P(f_{i}\mid \lambda )P(\lambda )}{\Sigma _{\lambda \in \Lambda }P(f_{i}\mid \lambda )P(\lambda )}}}$

هنا${\displaystyle \lambda \in \Lambda }$، مجموعة جميع التصنيفات الممكنة.

3. خطوة M: في الجزء الثاني من الخوارزمية، تُستخدم مدى ملاءمة مجموعة معينة من الميزات لنظام التصنيف لحساب التقدير المسبق لتصنيف معين. ولأن العدد الفعلي للتصنيفات غير معروف (من مجموعة بيانات التدريب)، يُستخدم تقدير ضمني لعدد التصنيفات يُدخله المستخدم في العمليات الحسابية.

${\displaystyle P(\lambda )={\frac {\Sigma _{\lambda \in \Lambda }P(\lambda \mid f_{i})}{|\Omega |}}}$

أين${\displaystyle \Omega }$هي مجموعة جميع الميزات الممكنة.

عيوب تجزئة الصور القائمة على MAP و EM

1. لا يمكن حساب تقديرات MAP الدقيقة بسهولة.
2. تُعد تقديرات MAP التقريبية مكلفة حسابيًا.
3. يؤدي التوسع في استخدام التصنيف متعدد الفئات إلى تدهور الأداء وزيادة مساحة التخزين المطلوبة.
4. يُعد التقدير الموثوق للمعلمات الخاصة بخوارزمية EM ضروريًا لتحقيق الحلول المثلى العالمية.
5. بناءً على طريقة التحسين، قد تتجمع عملية التجزئة في الحد الأدنى المحلي.

تعتبر عملية تحويل مستجمعات المياه مقدار تدرج الصورة بمثابة سطح طوبوغرافي. تتوافق البكسلات ذات أعلى شدة تدرج (GMI) مع خطوط مستجمعات المياه، والتي تمثل حدود المنطقة. يتدفق الماء الموجود على أي بكسل محاط بخط مستجمعات مياه مشترك إلى أسفل نحو أدنى شدة محلية مشتركة (LIM). تشكل البكسلات التي تصب في أدنى شدة مشتركة حوض تجميع، والذي يمثل جزءًا من المنطقة.

ينطلق النهج القائم على النماذج من فرضية أساسية مفادها أن البنى محل الاهتمام تميل إلى شكل معين. لذا، يمكن البحث عن نموذج احتمالي يصف هذا الشكل وتنوعه. عند تجزئة الصورة، يمكن فرض قيود باستخدام هذا النموذج كمعلومات مسبقة. ^{[ 70 ]} قد تتضمن هذه المهمة ما يلي: (أ) تسجيل عينات التدريب في وضعية مشتركة، (ب) تمثيل احتمالي لتنوع العينات المسجلة، (ج) الاستدلال الإحصائي بين النموذج والصورة. ومن بين الطرق المهمة الأخرى في الأدبيات المتعلقة بالتجزئة القائمة على النماذج، نماذج الشكل النشطة ونماذج المظهر النشطة .

يتم حساب تجزئة الصور على مستويات متعددة في فضاء المقياس ، ويتم نشرها أحيانًا من المقاييس الخشنة إلى المقاييس الدقيقة؛ انظر تجزئة فضاء المقياس .

قد تكون معايير التقسيم معقدة بشكل تعسفي، وقد تأخذ في الاعتبار معايير عالمية ومحلية على حد سواء. ومن المتطلبات الشائعة أن تكون كل منطقة متصلة بطريقة ما.

في أحد أنواع التجزئة، يقوم المستخدم بتحديد منطقة الاهتمام بنقرات الماوس ويتم تطبيق الخوارزميات بحيث يتم عرض المسار الذي يناسب حافة الصورة بشكل أفضل.

تُستخدم تقنيات مثل SIOX و Livewire وIntelligent Scissors وIT-SNAPS في هذا النوع من التجزئة. وفي نوع بديل من التجزئة شبه الآلية، تُعيد الخوارزميات تصنيفًا مكانيًا (مثل المقدمة، أو مجموعة الكائنات، أو الكائن، أو جزء الكائن) يختاره المستخدم أو يُحدد عبر احتمالات مسبقة. ^{[ 86 ] [ 87 ]}

تعتمد معظم طرق تجزئة الصور المذكورة آنفًا على معلومات اللون فقط في البكسلات. يستخدم البشر معرفة أوسع بكثير عند تجزئة الصور، لكن تطبيق هذه المعرفة يتطلب جهدًا بشريًا ووقتًا حاسوبيًا هائلين، فضلًا عن قاعدة بيانات ضخمة للمعرفة المتخصصة غير متوفرة حاليًا. تتغلب طرق التجزئة القابلة للتدريب، مثل تجزئة الشبكات العصبية ، على هذه المشكلات من خلال نمذجة المعرفة المتخصصة انطلاقًا من مجموعة بيانات من البكسلات المصنفة.

تستطيع الشبكة العصبية لتقسيم الصور معالجة مناطق صغيرة من الصورة لاستخراج خصائص بسيطة كالحواف. ^{[ 88 ]} ثم تقوم شبكة عصبية أخرى، أو أي آلية لاتخاذ القرار، بدمج هذه الخصائص لتصنيف مناطق الصورة وفقًا لذلك. ومن أنواع الشبكات المصممة بهذه الطريقة خريطة كوهونين .

Pulse-coupled neural networks (PCNNs) are neural models proposed by modeling a cat's visual cortex and developed for high-performance biomimeticimage processing. In 1989, Reinhard Eckhorn introduced a neural model to emulate the mechanism of a cat's visual cortex. The Eckhorn model provided a simple and effective tool for studying the visual cortex of small mammals, and was soon recognized as having significant application potential in image processing. In 1994, the Eckhorn model was adapted to be an image processing algorithm by John L. Johnson, who termed this algorithm Pulse-Coupled Neural Network.^[89] Over the past decade, PCNNs have been utilized for a variety of image processing applications, including: image segmentation, feature generation, face extraction, motion detection, region growing, noise reduction, and so on. A PCNN is a two-dimensional neural network. Each neuron in the network corresponds to one pixel in an input image, receiving its corresponding pixel's color information (e.g. intensity) as an external stimulus. Each neuron also connects with its neighboring neurons, receiving local stimuli from them. The external and local stimuli are combined in an internal activation system, which accumulates the stimuli until it exceeds a dynamic threshold, resulting in a pulse output. Through iterative computation, PCNN neurons produce temporal series of pulse outputs. The temporal series of pulse outputs contain information of input images and can be utilized for various image processing applications, such as image segmentation and feature generation. Compared with conventional image processing means, PCNNs have several significant merits, including robustness against noise, independence of geometric variations in input patterns, capability of bridging minor intensity variations in input patterns, etc.

In 2015, convolutional neural networks reached state of the art in semantic segmentation.^[90]U-Net is an architecture which takes as input an image and outputs a label for each pixel.^[91] U-Net initially was developed to detect cell boundaries in biomedical images. U-Net follows classical autoencoder architecture, as such it contains two sub-structures. The encoder structure follows the traditional stack of convolutional and max pooling layers to increase the receptive field as it goes through the layers. It is used to capture the context in the image. The decoder structure utilizes transposed convolution layers for upsampling so that the end dimensions are close to that of the input image. Skip connections are placed between convolution and transposed convolution layers of the same shape in order to preserve details that would have been lost otherwise.

بالإضافة إلى مهام التجزئة الدلالية على مستوى البكسل التي تُخصص فئة معينة لكل بكسل، تتضمن تطبيقات التجزئة الحديثة مهام التجزئة الدلالية على مستوى الكائن حيث يجب تحديد كل فرد في فئة معينة بشكل فريد، بالإضافة إلى مهام التجزئة الشاملة التي تجمع بين هاتين المهمتين لتوفير تجزئة أكثر اكتمالاً للمشهد. ^{[ 28 ]}

غالبًا ما تحتوي الصور المترابطة، مثل ألبومات الصور أو سلسلة من إطارات الفيديو، على كائنات ومشاهد متشابهة دلاليًا، لذا يُعدّ استغلال هذه العلاقات مفيدًا في كثير من الأحيان. ^{[ 92 ]} تُسمى مهمة تجزئة المشاهد من الصور أو إطارات الفيديو المترابطة في آنٍ واحد بالتجزئة المشتركة ، ^{[ 23 ]} والتي تُستخدم عادةً في تحديد موقع حركة الإنسان . على عكس طرق الكشف التقليدية عن الكائنات القائمة على المربعات المحيطة ، تُقدّم طرق تحديد موقع حركة الإنسان نتائج أكثر دقة، حيث تُستخدم عادةً أقنعة تجزئة لكل صورة لتحديد الكائن البشري محل الاهتمام وفئة حركته (مثل Segment-Tube ^{[ 24 ]} ). تُستخدم تقنيات مثل شبكات ماركوف الديناميكية ، والشبكات العصبية التلافيفية ، وشبكات الذاكرة طويلة المدى لاستغلال العلاقات بين الإطارات.

توجد العديد من طرق التجزئة الأخرى مثل التجزئة متعددة الأطياف أو التجزئة القائمة على الاتصال بناءً على صور DTI . ^{[ 93 ] [ 94 ]}

• تجزئة الكائنات المشتركة – تجزئة الصور في مجال رؤية الحاسوب 
• الرؤية الحاسوبية – استخلاص المعلومات المحوسبة من الصور 
• التجزئة القائمة على الصور
• تجزئة صور المدى
• التكميم المتجهي – تقنية التكميم الكلاسيكية من معالجة الإشارات 
• تقنية ضغط الصور مع فقدان البيانات - صفحات تعرض أوصافًا مختصرة لأهداف إعادة التوجيه 
• تقنية معالجة الصور - تحديد كمية الألوان 
• تحليل الصور القائم على الكائنات – استخراج المعلومات من الصور باستخدام تقنيات معالجة الصور الرقمية. صفحات تعرض أوصافًا مختصرة لأهداف إعادة التوجيه. 
• قائمة أدوات التعليق اليدوي على الصور
• تجزئة الحركة الصلبة
• تجزئة النصوص - ممارسة الكتابة البشرية 

• بعض نماذج التعليمات البرمجية التي تُجري عملية تجزئة أساسية ، من إعداد سيد زين الدين. جامعة التكنولوجيا الماليزية.
• طريقة المسير السريع المعممة بواسطة فوركاديل وآخرون [2008] للتطبيقات في تجزئة الصور.
• مجموعة أبحاث معالجة الصور: مجتمع بحثي مفتوح عبر الإنترنت لمعالجة الصور.
• أساليب تجزئة الصور في معالجة الصور وتحليلها ، وتقليل الطاقة لتجزئة الصور من ماث ووركس
• طرق إضافية لتقسيم الصور مع خوارزميات مفصلة. مؤرشفة في 1 نوفمبر 2019 على موقع Wayback Machine بواسطة يو-هسيانغ وانغ (王昱翔)، جامعة تايوان الوطنية، تايبيه، تايوان، جمهورية الصين.
• عرض توضيحي عبر الإنترنت لتقسيم الصور الخطي المجزأ بواسطة مجلة IPOL