Компьютерное зрение Лекция 4 Математическая морфология. - презентация

1 Компьютерное зрение Лекция 4 Математическая морфология

2 21 февраля 2003Компьютерная графика Лекция 4 Астана 2 Обработка и анализ изображений Обработка изображений Image processing Компьютерное (машинное) зрение Computer (machine) vision Компьютерная графика Computer graphics

3 21 февраля 2003Компьютерная графика Лекция 4 Астана 3 Изображение Изображение оптическое – картина, получаемая в результате прохождения через оптическую систему лучей, распространяющихся от объекта, и воспроизводящая его контуры и детали. Физический энциклопедический словарь. Компьютерное представление изображения: Функция от двух переменных Используется дискретное представление

4 21 февраля 2003Компьютерная графика Лекция 4 Астана 4 Компьютерное зрение Цель – принятие решений о реальных физических объектах и сценах, основываясь на воспринимаемых изображениях. Получение информации из изображений Анализ и интерпретация полученной информации

5 21 февраля 2003Компьютерная графика Лекция 4 Астана 5 Информация, содержащаяся в изображении Полезная информация –Информация низкого уровня Области однородные по некому признаку Границы однородных областей Цвет, форма области –Информация высокого уровня Объекты, содержащиеся на изображении Ошибочная информация (шум)

6 21 февраля 2003Компьютерная графика Лекция 4 Астана 6 Предобработка изображения Подготовка изображения к анализу Подавление и устранение шума Упрощение изображения (напр., бинаризация) Усиление и выделение полезной информации

7 21 февраля 2003Компьютерная графика Лекция 4 Астана 7 Предобработка изображения Подавление и устранение шума Причины возникновения шума: –Несовершенство измерительных приборов –Хранение и передача изображений с потерей данных

8 21 февраля 2003Компьютерная графика Лекция 4 Астана 8 Устранение шума в полутоновых и цветных изображениях Пример: изображение с равномерным шумом. noise(i,j) – нормально распределенная случайная величина.

9 21 февраля 2003Компьютерная графика Лекция 4 Астана 9 Усреднение

10 21 февраля 2003Компьютерная графика Лекция 4 Астана 10 Гауссиан (sigma=32)

11 21 февраля 2003Компьютерная графика Лекция 4 Астана 11 Размытие

12 21 февраля 2003Компьютерная графика Лекция 4 Астана 12 Свертка - дифференцирование

13 21 февраля 2003Компьютерная графика Лекция 4 Астана 13 Свертка - дифференцирование

14 21 февраля 2003Компьютерная графика Лекция 4 Астана 14 Маски дифференцирования

15 21 февраля 2003Компьютерная графика Лекция 4 Астана 15 Градиент

16 21 февраля 2003Компьютерная графика Лекция 4 Астана 16 Попикселная обработка Out[x, y] = f (In[x,y])

17 21 февраля 2003Компьютерная графика Лекция 4 Астана 17 Усиление и выделение полезной информации Коррекция яркости изображения. Простое линейное преобразование:

18 21 февраля 2003Компьютерная графика Лекция 4 Астана 18 g out = f(g in )

19 21 февраля 2003Компьютерная графика Лекция 4 Астана 19 g out = f(g in )

20 21 февраля 2003Компьютерная графика Лекция 4 Астана 20 Выравнивание гистограмм Используются все n уровней серого цвета На каждый уровень попадает примерно одинаковое количество пикселов: q=(R*C)/n

21 21 февраля 2003Компьютерная графика Лекция 4 Астана 21 Выравнивание гистограмм

22 21 февраля 2003Компьютерная графика Лекция 4 Астана 22 Упражнение Входное изображение содержит n = 200 пикселов Гистограмма H in = [0, 0, 20, 30, 5, 5, 40, 40, 30, 20, 10, 0, 0, 0, 0, 0] Каким будет значение f(8) в выходном изображении? Каким будет значение f(11) в выходном изображении?

23 21 февраля 2003Компьютерная графика Лекция 4 Астана 23 БИНАРИЗАЦИЯ ИЗОБРАЖЕНИЯ (1)

24 21 февраля 2003Компьютерная графика Лекция 4 Астана 24 ПРИМЕРЫ ПОРОГОВОЙ БИНАРИЗАЦИИ

25 21 февраля 2003Компьютерная графика Лекция 4 Астана 25 Устранение шума типа «соль и перец» Задача – избавиться от одиночных темных пикселов в светлых областях и одиночных светлых пикселов в темных областях. Применение масок к изображению С учетом 8ми соседей С учетом 4х соседей

26 21 февраля 2003Компьютерная графика Лекция 4 Астана 26 МОРФОЛОГИЧЕСКИЕ ФИЛЬТРЫ Сужение (Эрозия, Erosion) Расширение (Dilation) Закрытие (Closing) Раскрытие (Opening)

27 Морфологические операции

28 21 февраля 2003Компьютерная графика Лекция 4 Астана 28 Расширение & Сужение

29 Морфологические операции

30 21 февраля 2003Компьютерная графика Лекция 4 Астана 30 ПРИМЕР МОРФОЛОГИЧЕСКОГО РАСКРЫТИЯ Aopen(A)

31 21 февраля 2003Компьютерная графика Лекция 4 Астана 31 ПРИМЕР МОРФОЛОГИЧЕСКОГО ЗАКРЫТИЯ Aclose(A)

32 21 февраля 2003Компьютерная графика Лекция 4 Астана 32 Морфологические операции

33 21 февраля 2003Компьютерная графика Лекция 4 Астана 33 Подавление и устранение шума Устранение шума в бинарных изображениях Широко известный способ - устранение шума с помощью операций математической морфологии: Сужение (erosion) Расширение (dilation) Закрытие (closing) Раскрытие (opening)

34 21 февраля 2003Компьютерная графика Лекция 4 Астана 34 Устранение шума в бинарных изображениях Пример бинарного изображению с сильным шумом

35 21 февраля 2003Компьютерная графика Лекция 4 Астана 35 Применения сужения к бинарному изображению с сильным шумом

36 21 февраля 2003Компьютерная графика Лекция 4 Астана 36 Устранение шума в бинарных изображениях Пример бинарного изображению с дефектами распознаваемых объектов

37 21 февраля 2003Компьютерная графика Лекция 4 Астана 37 Не лучший пример для морфологии Не во всех случаях математическая морфология так легко убирает дефекты, как хотелось бы…

38 21 февраля 2003Компьютерная графика Лекция 4 Астана 38 Применения операции открытия

39 21 февраля 2003Компьютерная графика Лекция 4 Астана 39 Выделение границ В\(B (-) S) –внутренняя граница (В S)\B- внешняя граница

40 21 февраля 2003Компьютерная графика Лекция 4 Астана 40 ПРИМЕР ОКОНТУРИВАНИЯ ОБЪЕКТА

41 21 февраля 2003Компьютерная графика Лекция 4 Астана 41 МОРФОЛОГИЧЕСКАЯ СКЕЛЕТИЗАЦИЯ

42 21 февраля 2003Компьютерная графика Лекция 4 Астана 42 ПРИМЕРЫ МОРФОЛОГИЧЕСКОЙ СКЕЛЕТИЗАЦИИ 1

43 21 февраля 2003Компьютерная графика Лекция 4 Астана 43 ПРИМЕРЫ МОРФОЛОГИЧЕСКОЙ СКЕЛЕТИЗАЦИИ 2

44 21 февраля 2003Компьютерная графика Лекция 4 Астана 44 Медианный фильтр Выбор медианы среди значений яркости пикселов в некоторой окрестности. Определение медианы: Медианный фильтр радиусом r – выбор медианы среди пикселов в окрестности [-r,r].

45 21 февраля 2003Компьютерная графика Лекция 4 Астана 45 Применение медианного фильтра Результат применения медианного фильтра с радиусом 5 пикселов Результат применения медианного фильтра с радиусом в 7 пикселов к изображению с шумом и артефактами в виде тонких светлых окружностей.

46 21 февраля 2003Компьютерная графика Лекция 4 Астана 46 Очистка изображения с помощью медианного фильтра Фильтр с радиусом 3x3

47 21 февраля 2003Компьютерная графика Лекция 4 Астана 47 Очистка изображения с помощью медианного фильтра Фильтр с радиусом 3x3

48 21 февраля 2003Компьютерная графика Лекция 4 Астана 48 Быстрая реализация медианного фильтра Медианный фильтр считается дольше, чем операция свертки, поскольку требует частичной сортировки массива яркостей окрестных пикселей. Возможности ускорения: Делать несколько шагов быстрой сортировки до получения медианы Конкретная реализация для каждого радиуса (3x3, 5x5)

49 21 февраля 2003Компьютерная графика Лекция 4 Астана 49 Анализ информации, содержащейся в изображении Нас интересуют области однородные по некоторому признаку - например по яркости. Простейший случай – области, яркость который выше/ниже некоторого порога

50 21 февраля 2003Компьютерная графика Лекция 4 Астана 50 Выделение связных областей Определение связной области: Область, каждый пиксель которой связан с одним из других пикселей, принадлежащих данной области. Связность пикселей: 4-связность8-связность

51 21 февраля 2003Компьютерная графика Лекция 4 Астана 51 Разметка связных областей Бинарное изображениеРазмеченное изображение

52 21 февраля 2003Компьютерная графика Лекция 4 Астана 52 Рекурсивная разметка связных областей (1) void Labeling(BIT* img[], int* labels[]) { // labels должна быть обнулена L = 1; for(y = 0; y < H; y++) for(x = 0; x < W; x++) if( (img[x][y] = = 1) && (labes[x][y] = = 0) ) { Fill(img, labels, x, y, L++); }

53 21 февраля 2003Компьютерная графика Лекция 4 Астана 53 Рекурсивная разметка связных областей (2) void Fill(BIT* img[], int* labels[], int x, int y, int L) { if( (labels[x][y] = = 0) && (img[x][y] = = 1) ) { labels[x][y] = L; if( x > 0 ) Fill(img, labels, x – 1, y, L); if( x < W - 1 ) Fill(img, labels, x + 1, y, L); if( y > 0 ) Fill(img, labels, x, y - 1, L); if( y < H - 1 ) Fill(img, labels, x, y + 1, L); }

54 21 февраля 2003Компьютерная графика Лекция 4 Астана 54 Разметка связных областей путем последовательного сканирования Последовательно, сканируем бинарное изображение сверху вниз, слева направо: if A = O do nothing else if (not B labeled) and (not C labeled) increment label numbering and label A else if B xor C labeled copy label to A else if B and C labeled if B label = C label copy label to A else copy either B label or C label to A record equivalence of labels Постобработка - переразметка с учетом эквивалентностей областей

55 21 февраля 2003Компьютерная графика Лекция 4 Астана 55 Разметка связных областей путем последовательного сканирования Случай конфликта: Постобработка - переразметка с учетом эквивалентностей областей

56 21 февраля 2003Компьютерная графика Лекция 4 Астана 56 Анализ формы связных областей Для каждой области можно подсчитать некий набор простейших числовых характеристик: Площадь Периметр Компактность Ориентацию главной оси инерции Удлиненность (эксцентриситет) На основе этих характеристик можно классифицировать получаемые области.

57 21 февраля 2003Компьютерная графика Лекция 4 Астана 57 Анализ формы связных областей Площадь – количество пикселей в области; Периметр – количество пикселей принадлежащих границе области; Компактность – отношение квадрата периметра к площади; Наиболее компактная фигура – круг,.

58 21 февраля 2003Компьютерная графика Лекция 4 Астана 58 Подсчет периметра области 1.Пиксель лежит на границе области, если он сам принадлежит области и хотя бы один из его соседей области не принадлежит. (внутренняя граница) 2.Пиксель лежит на границе области, если он сам не принадлежит области и хотя бы один из его соседей области принадлежит. (внешняя граница) Периметр зависит также от того 4-х или 8-ми связность используется для определения соседей.

59 21 февраля 2003Компьютерная графика Лекция 4 Астана 59 Пример периметров области Область Внутренняя границаВнешняя граница

60 21 февраля 2003Компьютерная графика Лекция 4 Астана 60 Статистические моменты области Дискретный центральный момент m ij области определяется следующим образом: n – общее количество пикселей в области

61 21 февраля 2003Компьютерная графика Лекция 4 Астана 61 Инвариантные характеристики области Для распознавания нас интересуют характеристики инвариантные по отношению к масштабированию, переносу, повороту: Удлиненность, нецентрированность (эксцентриситет) Компактность

62 21 февраля 2003Компьютерная графика Лекция 4 Астана 62 Ориентация главной оси инерции Не является инвариантной к повороту, но в ряде случаев предоставляет полезную информацию об ориентации объекта:

63 21 февраля 2003Компьютерная графика Лекция 4 Астана 63 Пример изображения с подсчитанными характеристиками областей

64 21 февраля 2003Компьютерная графика Лекция 4 Астана 64 Другие инвариантные характеристики области

65 21 февраля 2003Компьютерная графика Лекция 4 Астана 65 Пример изображения для обработки

66 21 февраля 2003Компьютерная графика Лекция 4 Астана 66 Литература library/cv/cv_intro.html courses/cg2000b/notes/lect_1.doc

67 21 февраля 2003Компьютерная графика Лекция 4 Астана 67 Задания cg02b/assigns/hw-3/hw3.html cg01b/hw4/hw-4.htm