Содержание
- 2. Основные понятия Компьютерное зрение — теория и технология создания машин, которые могут видеть. Как научная дисциплина,
- 3. Примеры применения систем компьютерного зрения Системы управления процессами (промышленные роботы, автономные транспортные средства) Системы видеонаблюдения Системы
- 4. Задача компьютерного зрения Понять, что запечатлено на изображении Компьютер видит Мы видим
- 5. История: первая презентация Самая первая фотография 1825 год Требовала 8 часов проявки
- 6. Whirlwind, MIT, 1951 Первый компьютер, отображающий текст и графику в реальном времени на мониторе Точками карту,
- 7. Freddy II, 1973 Университет Эдинбурга Один из первых роботов с системой машинного зрения 5 степеней свободы
- 8. Решаемые задачи Изображения и видео повсюду Бурно растущая область Обработка – улучшение качества, ретушь, изменение размера
- 9. Типичные функции систем компьютерного зрения Получение изображения Предварительная обработка Выделение деталей Детектирование/Сегментация Высокоуровневая обработка
- 10. Сглаживание изображений Всем устройствам получения изображений присуще наличие шумов в получаемых изображениях. Шумы могут порождаться как
- 11. Сглаживание изображений Один из способов сглаживания изображения состоит в том, чтобы каждому пикселу присваивалось среднее значение
- 12. Фильтр с гауссовой характеристикой Под применением фильтра с гауссовой характеристикой подразумевается замена значения интенсивности I(х0/у0) суммой
- 13. Применение сглаживания для обнаружения роботом объектов сцены Обнаружение регионов на изображении без и с использованием фильтра
- 14. Обнаружение краев Края(границы) — это такие кривые на изображении, вдоль которых происходит резкое изменение яркости или
- 15. Обнаружение краев Целью обнаружения краев является повышение уровня абстракции и переход от перегруженного подробностями мультимегабайтового изображения
- 16. Детектор границ Кенни Хотя работа Кенни была проведена на заре компьютерного зрения (1986), детектор границ Кенни
- 17. Применение метода детектора границ Кенни реализация отслеживания разделительных полос на основе библиотеки OpenCV и использование детектора
- 18. Вычисление градиента. Оператор Собеля. Производная (функции в точке) — это скорость изменения функции (в данной точке).
- 19. Вычисление градиента. Оператор Собеля. Градиент для каждой точки изображения (функция яркости) — двумерный вектор, компонентами которого
- 20. Вычисление градиента. Оператор Собеля. Оператор Собеля — это дискретный дифференциальный оператор, вычисляющий приближение градиента яркости изображения.
- 21. Детектор границ Кенни Границы на изображении могут находиться в различных направлениях, поэтому алгоритм Кенни использует четыре
- 22. Детектор границ Кенни Угол направления границы округляется до одной из четырех углов, представляющих вертикаль, горизонталь и
- 23. Детектор границ Кенни Например, для сетки 3x3: если угол направления градиента равен нулю, точка будет считаться
- 24. Сегментация изображения Мозг человека не использует полученные им результаты восприятия в непосредственном виде, а организует эти
- 25. Сегментация изображения Основная идея сегментаци состоит в следующем: каждый пиксел изображения может быть связан с некоторыми
- 26. Сегментация изображения Процесс сегментации, основанный исключительно на использовании низкоуровневых локальных атрибутов, таких как яркость и цвет,
- 27. Сегментация изображения Методы сегментации можно разделить на два класса: автоматические – не требующие взаимодействия с пользователем
- 28. Пример сегментации
- 29. Оценка качества работы методов сегментации однородность регионов (однородность цвета или текстуры) непохожесть соседних регионов гладкость границы
- 30. Кластеризация цветового пространства В постановке задачи сегментации прослеживается аналогия с задачей кластеризации. Для того чтобы свести
- 31. Кластеризация цветового пространства В качестве признаков точки изображения можно использовать представление ее цвета в некотором цветовом
- 32. Кластеризация цветового пространства Основная проблема методов кластеризации, состоит в том, что пространственное расположение точек либо не
- 33. Кластеризация цветового пространства Кластеризация позволяет: лучше понять данные (выявив структурные группы) компактное хранение данных выявление новых
- 34. Метод выращивание регионов Методы этой группы учитывают пространственное расположение точек напрямую. Методы выращивания регионов основаны на
- 35. Метод дробления-слияния Методы дробления-слияния состоят из двух основных этапов: дробления и слияния. Дробление начинается с некоторого
- 36. Пирамиды изображений Пирамиды изображений - это коллекция изображений, получаемая из исходного изображения путём его последовательного сжимания
- 37. Пирамиды изображений Существует два вида пирамид - пирамиды Гаусса и Лапласа. Пирамиды Гаусса используются для сжимания
- 38. Гауссовская пирамида Для получения слоя (i+1) в Гауссовской пирамиде (обозначим этот слой Gi+1) из слоя Gi
- 39. Пирамида Лапласа Изображение сначала преобразуется в два раза большее в обоих измерениях, с новыми строками заполненными
- 40. Пирамидальная сегментации Операции построения пирамид Гаусса и Лапласа используются для выполнения пирамидальной сегментации. Для этого на
- 41. Сегментация преобразованием водораздела В географии термин водораздел обозначает условную линию, которая разделяет области водосборов разных речных
- 42. Сегментация преобразованием водораздела
- 43. Виды сегментации по водоразделу Сегментация по водоразделам с помощью преобразования расстояния Сегментация по водоразделам с помощью
- 44. Поиск объектов на изображении Детектор Violo-Jones основополагающий метод для поиска объектов на изображении в реальном времени
- 45. Детектор Violo-Jones Основные идеи: Скользящее окно Интегральные изображения для быстрого вычисления признаков Бустинг для выбора признаков
- 46. Признаки Хаара
- 47. Интегральные изображения Значение каждого пикселя (x,y) равно сумме значений всех пикселей левее и выше пикселя (x,y)
- 48. Вычисление интегрального изображения
- 49. Вычисление суммы в прямоугольнике
- 50. Пример интегрального изображения
- 51. Выбор признаков для окна поиска 24х24 число возможных прямоугольных признаков может достигать ~160000
- 52. Бустинг Бустинг – схема классификации, основанная на комбинировании слабых классификаторов в более точный Обучение состоит из
- 53. Бустинг для поиска лиц первый два признака, выбранные бустингом
- 54. Каскад Начинаем с простых классификаторов, которые отбрасывают часть отрицательных окон, при этом принимаю почти все положительные
- 55. Параметры каскада detection rate и false positive rate каскада вычисляются как произведение соответствующих ошибок каждого этапа
- 57. Скачать презентацию