ANALIZA OBRAZU Analiza obrazu poprawy jako ci obrazu, restauracji obrazów kodowania obrazów



Podobne dokumenty
ANALIZA OBRAZU Analiza obrazu poprawy jako ci obrazu, restauracji obrazów kodowania obrazów

Segmentacja przez detekcje brzegów

WYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów

WYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU. Konstrukcja wektora cech z użyciem współczynników kształtu

Analiza obrazów. Segmentacja i indeksacja obiektów

Diagnostyka obrazowa

Pattern Classification

SEGMENTACJA OBRAZU Wprowadzenie

Diagnostyka obrazowa

Przetwarzanie obrazu

Proste metody przetwarzania obrazu

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 6 AiR III

Podstawowe techniki segmentacji obszarów

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III

Techniki uczenia maszynowego nazwa przedmiotu SYLABUS

Analiza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania

Widzenie komputerowe (computer vision)

Przetwarzanie obrazu

Cyfrowe Przetwarzanie Obrazów. Karol Czapnik

SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

Inspiracje kognitywne w procesie analizy pozycji szachowej

Agnieszka Nowak Brzezińska Wykład III

Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.

Segmentacja obrazów cyfrowych z zastosowaniem teorii grafów - wstęp. autor: Łukasz Chlebda

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III

Agnieszka Nowak Brzezińska

Przetwarzanie obrazów wykład 4

Przetwarzanie obrazu

BIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat

Raport. Bartosz Paprzycki UMK 2009/2010

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych

Agnieszka Nowak Brzezińska Wykład III

Operacje przetwarzania obrazów monochromatycznych

Analiza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

Algorytmy decyzyjne będące alternatywą dla sieci neuronowych

Graficzna prezentacja danych statystycznych

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV

Reprezentacja i analiza obszarów

Laboratorium Cyfrowego Przetwarzania Obrazów

Micha Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (2)

Porównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska

Venture Industries KSIĘGA ZNAKU

Topologia kombinatoryczna zadania kwalifikacyjne

Analiza składowych głównych. Wprowadzenie

Operacje morfologiczne w przetwarzaniu obrazu

Techniki grupowania danych w środowisku Matlab

10. Redukcja wymiaru - metoda PCA

stopie szaro ci piksela ( x, y)

dr inż. Jacek Naruniec

POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement)

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.

Eksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18

Lekcja 5: Sieć Kohonena i sieć ART

Odciski palców ekstrakcja cech

Metody systemowe i decyzyjne w informatyce

ALGORYTM PRZETWARZANIA OBRAZU DETEKCJA I ANALIZA OBSZARÓW IMAGE PROCESSING ALGORITHM BLOB DETECTION AND ANALYSIS

ZAGADNIENIA PROGRAMOWE I WYMAGANIA EDUKACYJNE DO TESTU PRZYROSTU KOMPETENCJI Z MATEMATYKI DLA UCZNIA KLASY II

6 Grafika 2D. 6.1 Obiekty 2D

Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy

WYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego

Podstawy programowanie systemów wizyjnych InSight firmy Cognex. Środowisku InSight Explorer / Spreadshee

Data Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu

1. Podstawy matematyki

Adrian Horzyk

(x j x)(y j ȳ) r xy =

Implementacja filtru Canny ego

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,

Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1)

Naiwny klasyfikator Bayesa brał pod uwagę jedynie najbliższe otoczenie. Lecz czym jest otoczenie? Jak je zdefiniować?

Bartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi

W poszukiwaniu sensu w świecie widzialnym

Segmentacja obrazu. Segmentacja obrazu

Inteligentna analiza danych

SYSTEMY UCZĄCE SIĘ WYKŁAD 3. DRZEWA DECYZYJNE. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

Reprezentacja i analiza obszarów

Grafika Komputerowa Wykład 2. Przetwarzanie obrazów. mgr inż. Michał Chwesiuk 1/38

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

PRZEWODNIK PO PRZEDMIOCIE

CLUSTERING. Metody grupowania danych

Interpretacja gestów dłoni w sekwencji obrazów cyfrowych. autor: Karol Czapnik opiekun: prof. dr hab. Włodzimierz Kasprzak

-> Średnia arytmetyczna (5) (4) ->Kwartyl dolny, mediana, kwartyl górny, moda - analogicznie jak

Rozpoznawanie obiektów z użyciem znaczników

Algorytm SAT. Marek Zając Zabrania się rozpowszechniania całości lub fragmentów niniejszego tekstu bez podania nazwiska jego autora.

ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU

Elementy modelowania matematycznego

Hierarchiczna analiza skupień

SEGMENTACJA. Formalnie w wyniku procesu segmentacji następuje podzielenie pikseli obrazu na kilka rozdzielnych klas. 1-1

2. Empiryczna wersja klasyfikatora bayesowskiego

Zygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab

Samochodowy system detekcji i rozpoznawania znaków drogowych. Sensory w budowie maszyn i pojazdów Maciej Śmigielski

Metody systemowe i decyzyjne w informatyce

Według raportu ISO z 1988 roku algorytm JPEG składa się z następujących kroków: 0.5, = V i, j. /Q i, j

Operator rozciągania. Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości

Text mining w programie RapidMiner Michał Bereta

Anna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów

AKWIZYCJA I PRZETWARZANIE WSTĘPNE

KLASYFIKACJA. Słownik języka polskiego

Transkrypt:

ANALIZA OBRAZU Analiza obrazu (ang. image analysis, scene analysis, image description, image understanding, pattern recognition, machine/computer vision) dotyczy metod wydobywania danych (informacji) z obrazów. W odróżnieniu od metod poprawy jakości obrazu, restauracji obrazów, kodowania obrazów, wynikiem analizy obrazów jest nie obraz a dane w postaci numerycznej lub symbolicznej.

ANALIZA OBRAZU Klasyfikacja (rozpoznawanie) Interpretacja obrazu Szukaj tego odcisku palca w bazie danych. Drzwi otwarte?

Etapy przetwarzania i analizy obrazów Przetwarzanie wstępne Segmentacja Identyfikacja i analiza cech Klasyfikacja i interpretacja

Przykład system OCR 9 Przetwarzanie wstępne Segmentacja

Przykłady zastosowań systemów analizy obrazu rozpoznawanie znaków (OCR) sortowanie przesyłek pocztowych, czytanie etykiet, rozpoznawanie tekstu, diagnostyka obrazowa analiza obrazów biomedycznych (ultrasonograficznych, rentgenograficznych, tomograficznych, MRI) robotyka rozpoznawanie obiektów w scenie 3D, kontrola jakości ekologia, geologia, kartografia prognoza pogody, poszukiwanie złóż mineralnych, monitorowanie zanieczyszczeń, wykonywanie map terenu kryminalistyka, zastosowania militarne rozpoznawanie cełów, systemy automatycznego naprowadzania pocisków, rozpoznawanie odcisków palców

Metody analizy obrazów 2 1 3 Analiza cech obrazu Segmentacja Klasyfikacja Cechy w dziedzinie przestrzennej Cechy w dziedzinie transformat Brzegi i kontury Ksztaty Momenty geometryczne Tekstury Progowanie jasności Segmentacja na podstawie brzegów Segmentacja na podstawie konturow Dopasowanie wzornika Segmentcja tekstur Grupowanie Statystyczne metody klasyfikacji Drzewa decyzyjne Sieci neuronowe Miary podobieństwa

Segmentacja Segmentacja jest podstawowym etapem przetwarzania obrazów. Procedura segmentacji dzieli obraz na rozłączne obszary. W jej wyniku uzyskuje się wyodrębnienie fragmentów obrazu charakteryzujących się szczególnymi cechami (np. jasność, kolor, tekstura), do tła, tj. obszarów nie będących przedmiotem analizy. Zadaniem procedur segmentacji obrazów jest jedynie podział obrazu na odpowiednie obszary a nie ich rozpoznawanie.

Zdjęcia lotnicze

Mikroskopowe zdjęcie komórek

Optyczne zdjęcie wrzodu

Obraz MRI kości stopy

Progowanie jasności Segmentacja obrazu przez progowanie jasności podstawową metodą segmentacji obrazu. jest Polega ona na określeniu wartości progowej T (w skali jasności obrazu), która dzieli punkty obrazu na dwie grupy, tj. punkty obrazu dla których f(x,y) T oraz punkty, dla których f(x,y)>t. Po operacji progowania otrzymuje się tzw. obraz binarny: g(x, y) = 1 0 dla dla f (x, y) T f (x, y) < T punkty obiektu punkty tła

Progowanie jasności Dla przykładu załóżmy, że obraz f(x,y) zawiera ciemne obiekty umieszczone na jasnym tle. Histogram jasności takiego obrazu pokazuje rysunek (zwróćmy uwagę na dwa wyraźne maksima histogramu reprezentujące rozkład jasności obszarów obiektu i tła).? wartość progu dobiera się najczęściej na podstawie histogramu obrazu

T=128 1000 800 600 400 g(x, y) 256 = 0 dla dla f (x, y) T f (x, y) < T 200 0 0 50 100 150 200 250 T=50 Progowanie jasności

DEMO MATLAB

DEMO MATLAB %MATLAB x=imread('cameraman.tif'); figure(1), imshow(x); bw=im2bw(x,0.5); figure(2), imshow(bw)

Progowanie jasności Gdy wartość progu jest ustalana na podstawie całego obrazu to taki próg jasności nazywamy globalnym. Gdy wartość progu jest zależna od współrzędnych przestrzennych (x,y) obrazu to mówimy, że próg jest ustalany dynamicznie. Ponadto, gdy próg jest zarówno zależny od treści obrazu tj. wartości f(x,y) oraz od pewnej cechy obrazu p(x,y) - np., średniej jasności obrazu w pewnym otoczeniu, to próg jest określany mianem lokalnego. Zatem jego wartość jest ustalana na podstawie funkcji: T = T p(x, [ y),f (x, y) ]

Progowanie jasności W wyniku progowania wielopoziomowego obraz podlega segmentacji na obszary o N+1 różnych jasnościach, np. progowanie dwupoziomowe wyznacza trzy takie obszary: R1: gdy f(x,y) T 1, R2: gdy T 1 < f(x,y) T 2, R3: gdy f(x,y) > T 2. Progowanie takie może mieć zastosowanie w segmentacji obrazów kolorowych, na podstawie histogramu trójwymiarowego utworzonego z trzech składowych koloru.

Progowanie wielopoziomowe - przykład 250 200 150 100 50 x=imread('blood1.tif'); figure(1), imshow(x); figure(2),imshow(x), colormap(jet(16))

Nierównomierne oświetlenie sceny równomierne oświetlenie sceny nierównomierne oświetlenie sceny

Korekcja nierównomiernego oświetlenia sceny 200 180 160 140 120 100 80 60 40 0 50 100 150 200 250 Distance along profile Odjęcie jasności tła 0.6 0.5 0.4 0.3 0.2 0.1 0-0.1 0 50 100 150 200 250 300 Distance along profile

Tekstury z albumu Brodatza 2500 2000 1500 1000 500 0 0 50 100 150 200 250

Dobór wartości progu Niech obraz zawiera obszary o jasnościach skupionych wokół dwóch wartości średnich m 1 (obiekt), m 2 (tło), każde o rozkładzie Gaussowskim N(0,σ). Obszary te występują w obrazie w proporcjach P 1 i P 2 przy czym P 1 + P 2 =1. Należy określić wartość progową T minimalizującą całkowity błąd segmentacji obrazu (tj. liczby punktów obrazu należących do obiektu i zaliczonych do tła (ang. false positive) oraz liczby punktów należących to tła i zaliczonych do obiektu (ang. false negative)).

Progowanie jasności 1 0.9 P1 0.8 0.7 0.6 0.5 P2 0.4 0.3 0.2 T? 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 m 1 m 2

Dobór wartości progu Dla równych wariancji rozkładu jasności tła i obiektu wartość progu minimalizująca błąd segmentacji jest postaci: T = m1 + m2 σ P + ln 2 m1 m2 P 2 2 1 Dla P 1 =P 2 optymalna wartość progu segmentacji jest równa średniej arytmetycznej ze średnich jasności tła i obiektu.

Obszarowe metody segmentacji Obszarowe metody segmentacji polegają na identyfikacji obszarów obrazu charakteryzujących się pewnymi cechami wspólnymi (np. jasność, kolor, tekstura). Wyróżnia się dwie, podstawowe metody segmentacji obszarów: rozrost obszaru (ang. region growing), podział obszaru (ang. region splitting).

Reguły segmentacji obszarowej Niech R reprezentuje obszar całego obrazu. Segmentację obrazu można definiować jako procedurę podziału R na N rozłącznych obszarów, R 1, R 2,, R N, takich że: a) N gdzie P(R i ) i= 1 R i = R b) R i jest obszarem spójnym, i = 1, 2, N, c) R i R j = dla wszystkich i oraz j, i j, d) P(R i ) = TRUE dla i = 1, 2, N, e) P(R i R j ) = FALSE dla i j jest predykatem logicznym określonym na obszarze R i oraz jest zbiorem pustym.

Reguły segmentacji obszarowej Warunek a) wymaga kompletności procedury segmentacji, tj. każdy z punktów obrazu powinien być przydzielony do jakiegoś obszaru. Warunki b) i c) wymagają spójności oraz wzajemnej rozłączności obszarów. Warunek d) stwierdza, że wszystkie punkty obszaru powinny spełniać pewien założony predykat logiczny. Warunek e) wskazuje, że predykat przynależności do danego obszaru nie może być prawdziwy dla sumy dwóch różnych, dowolnie wybranych obszarów. Przykład predykatu: z ( x,y) m i 2σi gdzie: z(x,y) jasność punktu (x,y), m i, σ i to wartość średnia i odchylenie standardowe jasności punktów obszaru.

Rozrost obszaru W tej metodzie, segmentacja obrazu jest inicjowana od punktów obrazu zwanych ziarnami. Obszar podlega rozrostowi o nowe punkty obrazu posiadające podobne cechy (tj. spełniające pewne kryterium jednorodności), np. może to być kryterium: dołącz nowy punkt do obszaru gdy jest on podobny do innych punktów obszaru wg określonego kryterium, np. miary podobieństwa. Główną trudnością w tej metodzie segmentacji jest wybór odpowiedniego kryterium rozrostu obszaru.

Rozrost obszaru Jako kryterium jednorodności, stosuje się najczęściej miary podobieństwa określone na grupie cech (wektorze cech) charakteryzujących dany obszar. Przykładowe miary podobieństwa: iloczyn skalarny wektorów: T i odległość Euklidesowa: d j i j ( x x ) x x = x x cos, ( x, x ) = ( x ( k) x ( k) ) 2 i j k i i j j

Segmentacja przez rozrost obszaru A B A = A B C E C D E D

Przykład segmentacji obszarowej Univ. of Washington

Podział obszaru Obraz jest wstępnie dzielony na pewną liczbę rozłącznych obszarów. Następnie, obszary te podlegają podziałowi lub łączeniu tak by spełnione były zdefiniowane kryteria segmentacji obszarowej. Przykładowy algorytm podziału obszaru: dziel obraz na coraz to mniejsze kwadraty tak by spełniony był warunek P(R i ) = TRUE dla każdego z utworzonych obszarów; tj. jeżeli P jest FALSE dla badanego kwadratu dziel ten kwadrat na cztery mniejsze kwadraty, tzw. dekompozycja wg drzewa czwórkowego (ang. quad-tree decomposition).

Podział obszaru Metodę segmentacji przez podział obszaru można ulepszyć przez umożliwienie łączenia sąsiednich obszarów, dla których jest spełnione kryterium jednorodności (unika się pozostawiania sąsiednich obszarów o podobnych cechach zaliczonych do różnych obszarów). Algorytm podziału obszaru z możliwością ich łączenia: dziel obszar R i jeżeli P(R i ) = FALSE, łącz dwa sąsiednie obszary jeżeli P(R i R j ) = TRUE, zatrzymaj jeżeli żaden podział lub łączenie obszarów nie jest możliwe.

Drzewo czwórkowe R R 1 R 2 R 1 R 2 R 3 R 4 R 41 R 42 R 3 R 43 R 44 R 41 R 42 R 43 R 44

DEMO MATLAB (quad tree)

Dopasowanie wzorca Jedną ze specjalnych technik segmentacji obrazu jest metoda dopasowania wzorca (ang. template matching). Stosuje się ją w sytuacji, gdy jest znany a priori kształt obiektu podlegającego segmentacji (detekcji). Metodę bada stopień podobieństwa maski wzorca do kształtu obiektu poszukiwanego w obrazie. Poszukiwanie obiektu w obrazie o założonym kształcie realizuje się przez wyznaczenie korelacji pomiędzy maska wzornikiem a obrazem.

Dopasowanie wzorca Korelacja maski wzornika w(x,y) o wymiarze J K oraz obrazu f(x,y) o wymiarze M N jest dany zależnością: c( s, t) f ( x, y) w( x s, y t) ( s, t) = x y Maska w(x,y) jest przemieszczana w obrębie obrazu dając w wyniku obraz c(s,t). Maksymalna wartość c(s,t) wskazuje położenie maski w(x,y) w którym wykazuje ona największe podobieństwo do f(x,y).

y Dopasowanie wzorca

Dopasowanie wzorca Funkcja korelacji jest jednak zależna od średnich poziomów jasności obrazu w obrębie maski wzornika. Lepsze wyniki detekcji uzyskuje się po zastosowaniu współczynnika korelacji: [ f ( x, y) f ( x, y) ][ w( x s, y t) w] x y γ ( s, t) = 2 2 1/ 2 { [ f ( x, y) f ( x, y) ] [ w( x s, y t) w] } x y x y

Dopasowanie wzorca %MATLAB %c i x typu double z=xcorr2(c,x); imshow(z,[ ]); Ilustracja metody dopasowania wzorca. Znak podlegający detekcji to duża litera C.

Dopasowanie wzorca

Dopasowanie wzorca - zastosowanie Karta do głosowania Wynik korelacji ze wzorcem x Wynik progowania