1 / 40

Vonalak, görbék, sarokpontok

Vonalak, görbék, sarokpontok. Vámossy Zoltán 2004. Témakör. Sarokpontok detektálása Élszakaszok keresése adott futamok mentén Hogyan találhatunk meg vonalakat (lines)? Más görbéket (pl. ellipsziseket) miként kereshetünk?. CV rendszer általános modellje. Jellemzők kinyerése.

vahe
Download Presentation

Vonalak, görbék, sarokpontok

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. Vonalak, görbék, sarokpontok Vámossy Zoltán 2004

  2. Témakör • Sarokpontok detektálása • Élszakaszok keresése adott futamok mentén • Hogyan találhatunk meg vonalakat (lines)? • Más görbéket (pl. ellipsziseket) miként kereshetünk?

  3. CV rendszer általános modellje

  4. Jellemzők kinyerése

  5. Sarokpontok detektálása Trucco – Verri könyv és Chapter 4, Mubarak Shah, “Fundamentals of Computer Vision” 1992 alapján

  6. Sarokpont detektálás • Gyakran keresünk jellemző sarokpontokat a képen, ezekben a pontokban legalább két irányban erőteljes intenzitásváltozás van • Alkalmazások: mozgás detektálás, sztereó illesztés, CBIR Módszerek: • SUSAN algoritmus • Movarec operátor • Harris sarokdetektáló

  7. SUSAN sarokpont detektálás • Lásd múltkor • Küszöbmegválasztás!

  8. MovarecOperátor • Számoljuk ki a az intenzitás változások varianciáját 4 irányban 4x4-es ablakokban: • … • Válasszuk ki a minimumát a 4 irányban kiszámolt értékeknek V(x, y) = min(Vh(x, y), Vv(x, y), Vd(x, y), Va(x, y))

  9. MovarecOperátor • Egy 4 x 4-es, (x, y) középpontú ablak “érdekes”, ha az alábbi 12 x 12-es szomszédságában, összesen 25 ablak közül lokális maximum

  10. Moravec - példa

  11. Harris sarokdetektor • Számítsuk ki a deriváltak közelítését, minden pontban (esetleg előtte simítsuk a képet):Ix, Iy • Készítsük el a következő (gradiens momentum) mátrixot a pont valamely 2n+1 x 2n+1 (1<n<10) környezetében: Tulajdonképpen simítás egy környezetben – lehet más módon is

  12. Harris sarokdetektáló • Számoljuk ki MH sajátértékeit • Szimmetrikus mátrix: diagonizálható, sajátértékek nem negatívak • a sajátvektorok élirányt jelentenek, a sajátértékek él nagyságot • Ha mindkét sajátérték elég nagy, akkor sarokpontot tároljuk el egy rendezett listában (a küszöb a hisztogramból származik: első völgy) • Induljunk a legnagyobb értéktől (ez sarokpont), és töröljünk minden olyan tárolt pontot, ami már egy detektált sarokpont közelében van

  13. Harris sarokdetektáló - példa • Küszöb a hisztogramból

  14. Kanade-Lucas-Tomasi algoritmusa • Hasonló elv (Kanade-Lucas-Tomasi algoritmusa): • 0 <= k <= 0.25 • k növekedésével érzéketlenebb a módszer

  15. Szakaszok, vonalak detektálása Trucco – Verri könyv és Chapter 4, Mubarak Shah, “Fundamentals of Computer Vision” 1992 alapján

  16. Szakaszok és élek detektálása • Elvárt helyzetű élszakaszok detektálása • Vonalak detektálása • Ellipszis keresés • Görbék detektálása

  17. Elvárt helyzetű élszakaszok detektálása • Adott futamra merőleges irányban keressük az élszakaszt • Függőleges irányt tárgyalunk, de ez nem szűkítés valójában

  18. Elvárt helyzetű élszakaszok detektálása • Lépések: • A futam irányára levetítés átlagos intenzitás számolásával (nem osztunk az oszlopban lévő pixelek számával egyenlő magas oszlopoknál) • Élerősség tömb elkészítése a futam mentén (differenciál szűrővel) • Átlagos intenzitás tömbből számolunk • Intenzitásváltozások • Csúcsok: erős élek • Élszakasz meghatározása (lokális maximumok egy minimális küszöb felett) • Előre megadott feltételek vizsgálata az élekre vonatkozóan

  19. Átlagos intenzitás számolása • Átlagos intenzitás számolása

  20. Élerősség tömb elkészítése • Nagyobb maszk: simít • Élszakasz meghatározása (lokális maximumok egy minimális küszöb felett)

  21. Élfeltételek vizsgálata • Minimális élerősség • Elvárt élpozíció • Élpár esetén az elvárt távolság • Polaritás: világosból sötét, vagy fordítva • Az előzetes feltételeket esetleg súlyozzuk: élkiértékelési fgv.

  22. Vonalak detektálása

  23. Vonalillesztés

  24. Vonaldetektálás Hough trafóval • Cél: Az E(x, y) képen találjuk meg a vonalakat és határozzuk meg azok egyenletét • O(NNMM) nagyságrendű számítást kell elvégezni

  25. Vonaldetektálás Hough trafóval • Konverzió paraméter térbe • Az m és n paraméterek megtalálása • Visszakonvertálás derékszögű koordinátákba Főbb pontok

  26. Vonaldetektálás Hough trafóval • Kulcs: Használjuk a paraméterteret, ahol a bonyolult probléma az egyszerűbb lokális maximumok megtalálását jelenti • Input: • Bináris kép élpontokkal • Küszöb

  27. Hough transzformáció

  28. Vonalillesztés • Vonal egyenlet • Az (m, b) teret osszuk fel egy ráccsal és minden cellához rendeljünk egy számlálót: c(m, b)kezdetben 0 értékkel • Minden élpixel ismert koordinátáival • Számoljuk ki b értékét minden lehetséges mmellett • Növeljük meg a c(mi, bi)-t eggyel • Keressük meg a lokális maximumokat a paraméter térben!

  29. Hough trafó: kvantálás m • Vonal detektálás maximum/klaszter keresésével a paraméter térben • Függőleges vonalak esetén probléma • mésbvégtelen x

  30. Hough transzformáció • Polár koordinátás reprezentáció • Egy egyenes minden pontjára ésállandó • Bármely irányban numerikusan stabil leírás • Különböző  konstans értékeke fix értékeinél különböző vonalakat szolgáltatnak (A)

  31. Algoritmus • Készítsünk egy 2D (,) számláló tömböt, a szög 0 és 180 fok között változik, a távolság maximum a kép átlója • Nullázuk ki • Aszög lehetséges értékeit vegyük fel • Például 10-os növekmények • Minden élpontra • Számoljuk ki  értékét az (A) egyenlettel • Minden kiszámolt (,) párra növeljük meg a számlálótömb értékét • Keressük meg a lokális maximumokat

  32. Vonaldetektálás  

  33. Vonaldetektálás - példa ideális zajos Nagyon zajos

  34. Nehézségek • Hogyan osszuk fel a paraméter teret (,)? • nagy? Nem tudunk különbséget tenni vonalak között • kicsi? A zaj hibákat eredményez • Hány vonalat találunk? • Melyik élpont melyik vonalhoz tartozik? • A zaj miatt nehéz kielégítő megoldást találni

  35. Kör illesztés, detektálás • Hasonló a vonalhoz • Három ismeretlen • 3D akkumulátor tömböt kell elkészíteni: A • Dimenziók: x0, y0, r • Egyik paraméter fix legyen, a másik kettő változó • Növeljük meg a megfelelő elemet az Atömbben. • Keressünk lokális maximumot Atömbben

  36. Gyakorlatban javasolt módszer • Az élpontnál használjuk az iránytangenst • Számoljukx0, y0értéket, adottx, y, r 

  37. Példák

  38. Görbedetektálás Hough trafóval • Input: ugyanaz, mint vonal esetében • Legyen a C görbe paraméteres alakja. • Válasszuk meg a paramétertérben az egyes irányokban a felbontást: s1-sp • Legyen A(s1,s2,…,sp) egy p dimmenziós számláló tömb

  39. Görbedetektálás Hough trafóval •  E(i, j) élpixelre (E(i, j) = 1), számoljuk ki a paramétertérben minden lehetséges értékre a kifejezés értékét és növeljük a számláló értékét az helyen eggyel • Keressük meg az olyan pontokat a paramétertérben, amik egy előírt küszöbnél nagyobbak • Output: vektorok listája, amely leírja E képen a görbéket • Megjegyzés: használjuk itt is a polárleírást

  40. Hough transzformáció: eredmények Kép Éldetektálás Hough transzformáció

More Related