slide1
Download
Skip this Video
Download Presentation
Hľadanie hrán

Loading in 2 Seconds...

play fullscreen
1 / 65

Hľadanie hrán - PowerPoint PPT Presentation


  • 95 Views
  • Uploaded on

Hľadanie hrán. schod rampa. čiara hrebeň. strecha. T ypy hrán. skutočné hrany - šum. T ypy hrán. H ľadanie hrán. skúmame body v okolí (pomocou deriv ácie ) Ak sa intenzity príliš nelíšia - pravdepodobne tam nie je hrana Ak sa líšia - bod môže patriť hrane. M etódy hľadania hrán.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Hľadanie hrán' - pisces


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
t ypy hr n

schod

rampa

čiara

hrebeň

strecha

Typy hrán
  • skutočné hrany - šum
h adanie hr n
Hľadanie hrán
  • skúmame body v okolí (pomocou derivácie)
  • Ak sa intenzity príliš nelíšia - pravdepodobne tam nie je hrana
  • Ak sa líšia - bod môže patriť hrane
m et dy h adania hr n
Metódy hľadania hrán
  • konvolučné masky
  • diskrétna aproximácia diferenciálnych operátorov (miera zmeny intenzity)
  • Informácia o:
    • existencia
    • orientácia ?
diferencovanie
Diferencovanie

I

Ktorý obrázok je Ix?

vyhladenie

Gaussovské vyhladenie

Vyhladenie

prah 20

prah 50

originál

gradient
Gradient
  • Gradient:
  • Smer – najväčšia zmena intenzity
  • Smer gradientu:
  • Veľkosť gradientu:
gradient hrany
Gradient / hrany

Sila (dôležitosť) hrany = veľkosť gradientu

Smer hrany = smer gradientu – 90°

roberts
Roberts
  • Najjednoduchšie masky
  • Len body hrán
  • Nie orientácia
  • Vhodné pre binárne obrazy
  • Nevýhody:
    • Veľká citlivosť na šum
    • Nepresná lokalizácia
    • Málo bodov na aproximáciu gradientu
sobel
Sobel
  • Hľadá horizontálne a vertikálne hrany
  • Konvolučné masky:
sobel1

I

prahovanie

hrany

Sobel
prewitt
Prewitt
  • Podobne ako Sobel
  • Masky:
laplaci n

2

2

f

f

Ñ

=

+

2

f

2

2

x

y

2

f

=

+

-

+

-

f

(

i

,

j

1

)

2

f

(

i

,

j

)

f

(

i

,

j

1

)

2

x

2

f

=

+

-

+

-

f

(

i

1

,

j

)

2

f

(

i

,

j

)

f

(

i

1

,

j

)

2

y

Laplacián
  • Konvolúcia [1, -2, 1]
laplaci n1

0

1

1

1

0

1

1

1

-8

-4

1

1

0

1

1

1

0

1

Laplacián
  • Nevýhody:
    • Veľmi citlivý na šum
    • Produkuje dvojité hrany
    • Neurčuje smer hrany
laplaci n2
33Laplacián
  • 55
  • 77
laplaci n gaussi nu
Laplacián Gaussiánu

Marr – Hildreth operátor, LoG operátor

Vyhladenie pomocou 2D Gaussiánu

Následná aplikácia Laplaciánu

canny
1) Vyhladenie Gaussiánom

2) Gradientný operátor

Veľkosť gradientu

Smer gradientu

3) Výber maxím v danom smere

4) Prahovanie dvoma prahmi

Canny
canny1
Vyhladenie Gaussiánom

Gradientný operátor (Sobel)

Veľkosť gradientu

Smer gradientu

Canny
canny3

90

  • 2
  • 2
  • 135
  • 45
  • 3
  • 1
  • 3
  • 1
  • 0
  • 0
  • 180
  • 0
  • 0
  • 0
  • 1
  • 3
  • 1
  • 225
  • 3
  • 315
  • 2
  • 2
  • 270
Canny

M = |S|

canny4
Canny

T1

T2

canny pr klady
Canny príklady
  • Gauss 5x5, T1=255, T2=1
canny pr klady1
Canny príklady
  • Gauss 5x5, T1=255, T2=220
canny pr klady2
Canny príklady
  • Gauss 5x5, T1=128, T2=1
canny pr klady3
Canny príklady
  • Gauss 9x9, T1=128, T2=1
kirsch kompas oper tor
Kirsch - kompas operátor
  • Rotujúca maska
  • Smery: 0°, 45°, 90°, 135°, ...
  • Sila hrany – maximum cez jednotlivé masky
  • Smer hrany – maska dávajúca maximum
  • ...
farebn obrazy
Farebné obrazy
  • Previesť na šedotónový a použiť niektorý z predchádzajúcich metód
  • Problém ak je hrana medzi dvomi farbami s rovnakým jasom
  • Vo farebnom obraze vieme určiť 90% hrán z šedotónového obrazu
  • Zvyšných 10% hrán z farebného obrazu
farebn obrazy1
Farebné obrazy

Sekvenčný prístup:

Jednotlivé kanály samostatne

Hrany len v odtieňoch:

H

(a, b)

met dy
Metódy
  • output fusion methods
  • multi-dimensional gradient methods
  • vector methods
vektorov pr stup
Vektorový prístup

u = (R’x ,G’x ,B’x )

v = (R’y ,G’y ,B’y )

smer

veľkosť

vector order statistics
Vector order statistics

Používa sa R-ordering

Okno W veľkosti n pixelov

Vector range (VR) edge detector – najjednoduchší

VR=D(x(n), x(1))

x(1) – median , x(n) - outlier

citlivý na šum

Vector dispersion edge detectors (VDED)

ai váhy

VR špeciálny prípad VDED kde a(1)=-1 a a(n)=1, a(i)=0 i=2,...n-1

slide53
Minimum vector range
  • Uvažujeme k rozdielov – odstránime citlivosť na šum (impulsive, exponential noise)

Minimum vector dispersion – odstráni citlivosť aj na Gaussov šum

Používa α-trimmed mean

slide55

Nearest neighbour vector range

wi ≥ 0

Nemôže byť použité na homogénne oblasti

Kombináciou MVD a NNVR

difference vector operators
Difference vector operators

Každý pixel reprezentovaný ako vektor v RGB

Vypočítame gradient v 4 smeroch

X, Y sú 3D vektorové konvolučné masky

slide58
Základná maska pre okno 3x3
  • v(x,y) – pixel, v(x0,y0) - stredný pixel

Pred detekciou môžeme obraz filtrovať – treba použiť väčšiu masku

Ak okno W je veľkosti n x n (n=2k+1) vytvoríme sub-okno veľkosti N = (n2-1)/2

slide59

Podľa typu šumu môžeme použiť rôzne filtre

Vector median filter

Efektívny pri redukovaní impulsného šumu

Vector mean filter

Efektívny pri redukovaní Gaussovho šumu

slide60

Kombináciou predchádzajúcich

α-trimmed mean filter

Adaptive nearest neighbour filter

slide62

Difference vector iba v 2 smeroch

horizontalne a vertikálne

Ľudský vizuálny systém je viac citlivý na horizontálne a vertikálne hrany

Menej časovo náročný

horizontálne a vertikálne rozdiely vo vektoroch prispievajú k detekcii diagonálnych hrán – detekované hrany sú tenšie

slide65

Sobel edge detection ongray Mandrill image

edge detected using proposedmethodresulted clusters