1 / 39

Методы обработки и распознавания изображений

Методы обработки и распознавания изображений. Раздел 2 Лекция 3. Методы вторичной обработки изображений. Выделение локальных областей на изображении. Выделение и описание контуров объектов. Лектор – проф. Тропченко А.Ю. Методы сегментации изображения (локализации объектов).

Download Presentation

Методы обработки и распознавания изображений

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Методы обработки и распознавания изображений Раздел 2 Лекция 3. Методы вторичной обработки изображений. Выделение локальных областей на изображении. Выделение и описание контуров объектов. Лектор – проф. Тропченко А.Ю.

  2. Методы сегментации изображения(локализации объектов) Методы выделения локальных областей (сегментации изображений)

  3. Методы сегментации Классификация методов выделения и распознавания объектов на изображении Методы наращивания областей Методы порогового ограничения Сегментация путем выделения границ Центроидное связывание Бинаризация по порогу Градиентные методы Алгоритм слияния-расщепления Методы проведения контуров Бинаризация по диапазонам Сегментация с адаптивным выбором порога Методы распознавания объектов Корреляционные методы Дискриминантные методы Синтаксические методы

  4. Результаты анализа методов выделения и распознавания объектов на изображении

  5. Построение алгоритма сегментации с адаптивным выбором порога • Построение гистограммы распределения яркостей исходного изображения. • Поиск координаты глобального максимума гистограммы Pф и определение типа изображения: - темный объект на светлом фоне или наоборот. • Поиск координаты второго максимума гистограммы Pо, соответствующей области объекта в пределах {0, Pф} или {Pф, 255}. • Поиск координаты максимума гистограммы Pмах в пределах {Pф, Pо} или {Pо, Pф}. • Вычисление порога Т согласно следующему правилу: Т = ( Рмах + Рф ) / 2, при Pо - Pмах => Pф – Pмах Т = ( Pо +Pмах ) / 2, при Pо - Pмах < Pф - Pмах • Разметка исходного изображения, с помощью полученного порога Т, то есть, пикселю исходного изображения присваивается значение 1, если его яркость находится в диапазоне [0, Т], в противном случае ему присваивается значение 0.

  6. Укрупненная схема выделения областей на основе адаптивного выбора порога Начало Загрузка исходного изображения из файла Сегментация Вывод результатов сегментации Загрузка К-ого эталона Распознавание путем вычисления и сравнения проекций Вывод результатов Конец

  7. Примеры выделения объектов на различных изображениях На данных рисунках приведены примеры выделения светлого объекта на темном фоне, темного объекта на светлом фоне и темного объекта на неоднородном светлом фоне.

  8. Цели и задачи работы Градиентная обработка при линейной фильтрации Для выделения контуров методом линейной фильтрации наиболее часто используют следующие виды фильтров: 1. разностный амплитудный фильтр 2. максимальный разностный амплитудный фильтр 3. фильтр Робертса 4. фильтр Превитта

  9. Цели и задачи работы Построение цепного кода Фримена для векторного описания контура объекта

  10. 3 1 2 1 a 4 0 1 1 5 6 7 1 1 Цели и задачи работы Скелетизация изображений Под скелетизацией или утоньшением будем понимать преобразование изображения, удовлетворяющее следующим условиям: после преобразования все линии имеют толщину в 1 элемент; преобразование не нарушает топологию символа; преобразование не нарушает размеров символа.

  11. исходное изображение дискретизация предварит. обработка матрица отсчетов функциональное представление выделение особенностей векторизация морфологич.процедуры множественные представления признаковые представления вторичная обработка геометрическиепризнаки площадь периметр эксцентриситет моменты инерции число углов число пустот скелет контур топологические признаки распознавание Цели и задачи работы Переход от изображения к набору признаков в ходе вторичной обработки

  12. Описание процесса выделения локальной области • где I(X,Y) - исходное изображение; • fs(x,y) - функция, аппроксимирующая локальную область Ds с размерами lxs, lys с центром {x0s; y0s}; • s - порядковый номер области; • N1 - число областей.

  13. Примеры аппроксимирующих функций для локальных областей

  14. Алгоритм выделения областей на основе аппроксимации Начало Чтение файла .bmp Определение точки максимальной яркости да Выделение локальной области, которой принадлежит ТМЯ Аппроксимация выделенных областей при помощи гармонических функций Вычитание значения функции из исходного изображения да амплитуда> пороговой нет Конец

  15. Методы обработки и распознавания изображений Раздел 2. Лекция 4. Методы сжатия цифровых изображений и видео. Стандарт JPEG Лектор – проф. Тропченко А.Ю.

  16. Классификация методов сжатия видеоинформации Методы сжатия Сжатие без потерь Сжатие с потерями Сжатие способом кодирования серий (RLE) Метод JPEG Ксж = 2 Ксж = 2 - 30 Метод Хаффмана (Huffman) Метод MPEG Ксж = 3 Ксж = 2 - 30 Метод WIC (Wavelet Image Compression) Метод Лемпеля-Зива (LZ-compression) Ксж = 10 - 50 Ксж = 3-4 Фрактакльный метод сжатия изображений Метод Лемпеля-Зива-Велча (LZW-compression) Ксж = 20 - 50 Ксж = 4 Метод JBIG Ксж = 2-3 Метод Lossless JBIG Ксж = 2

  17. Методы сжатия изображений с потерями Преобразования на основе построения модели сигнала Преобразования во временной области Частотно-временные преобразования Кодирование без предсказания Блоковые преобразования • Фрактальное сжатие • Геометрическая аппроксимация областей • Веджлет-преобразование • ИКМ • УБК • ДКП • ПКЛ Кодирование с предсказанием Частотно-временные фильтры • ДИКМ • ДМ • ДВП Гибридные методы Классификация методов сжатия изображений с потерями

  18. Исходное изображение Разбиение на блоки Прямое преобразование Квантование Кодирование (вторичное сжатие) а) Сжатое изображение Сжатое изображение Декодирование Обратное преобразование Деквантование Группировка блоков б) Восстановленное изображение Схемы компрессии и декомпрессии для методов с частотно-временными блоковыми преобразованиями

  19. Сжатие по стандарту JPEG 1. Преобразование RGBYUV: 2. Децимация компонент U и V с коэффициентом 2 3. Фрагментация на блоки 8*8 4. ДКП по строкам и столбцам фрагмента: 5. Квантование матрицы спектральных компонент q kl- kl-й элемент матрицы квантования Q размера 8х8

  20. Исходное изображение Параметры аппроксимации Анализ изображения Квантование Кодирование (вторичное сжатие) а) Сжатое изображение Сжатое изображение Параметры аппроксимации Декодирование Деквантование Синтез изображения Восстановленное изображение б) Схемы компрессии и декомпрессии для методов на основе аппроксимации сигнала

  21. Классификация областей сжатия в методах сегментации Векторные области • Квадратная, либо прямоугольная область. • Область, представляющая собой многоугольник, все стороны которого параллельны осям координат. • Область, представляющая собой выпуклый многоугольник. • Область, представляющая собой произвольный многоугольник. Растровые области • Область (возможно, вогнутая), произвольный вертикальный или горизонтальный срез которой не пересекает границу области более чем в двух местах (требование отсутствия «дырок»). • Замкнутая область произвольной формы.

  22. Узлы дерева Уровни декомпозиции j = 0 j = 1 j = 2 Оконечные узлы (листья) j = 3 Методы сжатия на основе векторной сегментации. Использование древовидных структур Стратегии декомпозиции: Наращивание веток(разбиение областей) Усечение веток(слияние областей)

  23. Исходное изображение Адаптивная сегментация Спектральное преобразование Сжатое изображение Энтропийное кодирование Квантование коэффициентов Z A N Y 0 M X Методы сжатия на основе векторной сегментации: обработка локальных областей • Бимлеты, риджлеты, курвлеты (D.L. Donoho, X. Huo) • Аппроксимация сигнала билинейной поверхностью (M. Dalai, R. Leonardi) • Спектральные преобразования

  24. Сегментация изображения с адаптивным выбором области Y-плоскость.Число областей: 216 Исходное изображение Lx=Ly=3, Yp=44,Xmin=Ymin=10 Y-плоскость.Число областей: 514 Cb-плоскость.Число областей: 181 Lx=Ly=3, Yp=44,Xmin=Ymin=6 Lx=Ly=3, Cbp=21,Xmin=Ymin=6

  25. Результаты сжатия. Сплошная линия – стандартная схема JPEG, пунктир – схема с адаптивной сегментацией

  26. Результаты сжатия: сравнение разностных изображений Базовый метод Модифицированный метод Y-плоскость, K=47.5 Cr-плоскость, K=47.5

  27. 1 3 a a a n n n m m m Преобразование сигнала в трехмерном пространстве • Во временной области: разбиение сигнала плоскостями, перпендикулярными основанию. • В частотной области: разбиение сигнала на сегменты плоскостью, параллельной плоскости основания. • Декомпозиция простейшего сигнала:

  28. Пример пространственной декомпозиции сигнала Исходный рисунок Визуализация декомпозиции (OpenGL)

  29. 0 A A N N Z M M Y X Аппроксимация сигнала билинейными поверхностями Z Плоскость (3 точки) 0 Y X Билинейная поверхность (4 точки)

  30. Результаты эксперимента bpp 3,70 3,20 Модифицированный алгоритм 2,70 Базовый алгоритм 2,20 1,70 1,20 δ 1 2 3 4 5 6 7 Модификация схемы сжатия на основе аппроксимации билинейными поверхностями

  31. D Стартовая позиция Требуемое D Полученный результат Оптимальный результат Оптимальное D Оптимальный R Требуемый R R Оптимальный результат D Требуемое D Стартовая позиция R Rmax Rmin Оптимальный R Методы вычисления векторов квантования • Метод Ву-Гершо (однонаправленная оптимизация) • Метод Фунга-Паркера(двунаправленная оптимизация ) • Схема «RD-OPT»

  32. Использование весового критерия. Его типы • Пороговое ограничение спектральных коэффициентов: • Критерий средних амплитуд: • Критерий максимальных амплитуд:

  33. Значения некоторых типов весового критерия для различных тестовых изображений Критерий средних амплитуд Критерий максимальных амплитуд

  34. Линейное преобразование Преобразование с Определение функции параметра квантования a2 a1

  35. Δ Δ 120 120 80 80 Y Y 40 40 UV UV 0 0 n n 0 20 40 60 0 20 40 60 Результаты вычисления вектора квантования Стандартный вектор Сгенерированный адаптивно вектор

  36. Результаты компрессии тестовых изображений

  37. Результаты сжатия: сравнение разностных изображений Базовый метод Модифицированный метод Y-плоскости, K=10.1 Cb-плоскости, K=10.1

More Related