СРАВНЕНИЕ И ПОИСК ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ

Сентябрь 3, 2022

Главная
Алгебра
СРАВНЕНИЕ И ПОИСК ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ

Содержание

2. Литература Старовойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений. – Минск: ИТК НАН Беларуси,
3. системы машинного зрения для технологических процессов; системы для диагностики и мониторинга состояния объектов; системы поиска и
4. Проблема сравнения видеоданных Дано: Цифровые изображения A, B1, B2, … размером NxN с одинаковым диапазоном допустимых
5. 1 2 3 Оценка возможного количества вариантов изображений: Следствие: отсутствие универсального определения или численной оценки подобия
7. Основные подходы к сравнению изображений: Человеческое восприятие, дающее субъективную оценку; Математические меры, опирающиеся на модель зрения
8. Требования к мерам, вычисляющим сходство Пусть A = {aij}, B = {bij} и C = {cij}
9. 2. Нормализованность значений: 3. Устойчивость к шуму; 4. Мера М не должна резко изменяться при небольших
10. Функции схожести Нормированная функция корреляции Нормированная усредненная корреляционная функция
11. объект T=0,99 T=0,9779 T=0,9777 Графики функции корреляции
12. Функция на основе суммы квадратов разностей Функция на основе взвешенной суммы квадратов разностей
13. Функция на основе метрики Хаусдорфа Функция на основе городской метрики Функция на основе усредненной городской метрики
14. Функция на основе среднеквадратичной погрешности Минимаксная функция схожести Минимаксная мультипликативная
15. Минимаксная аддитивная Минимаксная аддитивная степенная Минимаксная усредненная аддитивная
16. 1 2 3 Рассчитанные значения функций схожести для изображений 1 и 2 Рассчитанные значения функций схожести
17. Алгоритм поиска объектов на изображении методом сопоставления с эталоном Исходные данные: эталонное изображение размером обрабатываемое изображение
18. В общем случае алгоритм требует выполнения следующих шагов: 1. Выделение фрагмента изображения размером, согласно размеру эталона
19. Заданный объект Обрабатываемое изображение
20. Нормированная функция корреляции
21. Нормированная усредненная корреляционная функция
22. Функция на основе суммы квадратов разностей
23. Функция на основе среднеквадратичной погрешности
24. Функция на основе метрики Хаусдорфа
25. Функция на основе городской метрики
26. Минимаксная мультипликативная
27. Минимаксная аддитивная
28. 1 2 3
29. Методы сокращения вычислительных затрат Применение различных двукратных преобразований; Вычисление двумерной корреляции в этом случае требует выполнения
30. Совмещение операции вычисления функции схожести с операцией сравнения с порогом, т.е. вычисление функций прекращается для анализируемой
31. Использование моментов строк и столбцов растровых матриц изображений
36. Скачать презентацию

Слайд 2

Литература
Старовойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений. –

Минск: ИТК НАН Беларуси, 1997. – 284с. стр. 141-151
Прэтт У. Цифровая обработка изображений: в 2-х кн. / Пер. с англ. - М.: Мир, 1982.- 792с. стр. 141-151
Крот А.М., Минервина Е.Б. Быстрые алгоритмы и программы цифровой спектральной обработки сигналов и изображений. – Мн.: Выш. шк.,1995. - 407с. стр. 573-579
Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М: Техносфера, 2005. – 1072с. стр. 120-121

Слайд 3

системы машинного зрения для технологических процессов;
системы для диагностики и мониторинга состояния

объектов;
системы поиска и распознавания объектов для обработки медицинских изображений, изображений карт земной поверхности, чертежей, фотоснимков и др. сложных изображений;
системы видеонаблюдения (детектирование движущихся объектов).

Прикладные системы обработки изображений, использующие сравнение или поиск

Слайд 4

Проблема сравнения видеоданных
Дано: Цифровые изображения A, B1, B2, … размером NxN с

одинаковым диапазоном допустимых значений яркости G.
Определить: Какое из цифровых изображений Bi более других похоже на цифровое изображение А.
В общем случае – насколько схожи сцены, передаваемые изображениями Bi и изображением А?

Слайд 5

1
2
3
Оценка возможного количества вариантов изображений:
Следствие: отсутствие универсального определения или численной оценки

подобия изображений

Слайд 6

Слайд 7

Основные подходы к сравнению изображений:
Человеческое восприятие, дающее субъективную оценку;
Математические

меры, опирающиеся на модель зрения человека;
Объективные меры, построенные на теоретических моделях.

Общие принципы сравнения изображений

Методы, сравнивающие изображения или их отдельные части, принято разделять в зависимости от ключевых понятий, используемых в целях сравнения, следующим образом: уровень пикселей; точки интереса; сегменты и кривые.

Слайд 8

Требования к мерам, вычисляющим сходство
Пусть A = {aij}, B = {bij} и C = {cij} .
Свойства для

мер схожести:
1. Метричность:

Численное значение меры служит критерием схожести изображений.

Слайд 9

2. Нормализованность значений:
3. Устойчивость к шуму;
4. Мера М не должна резко изменяться при

небольших изменениях форм изображаемых объектов, при небольших сдвигах и вращениях;
5. Вычисление меры должно быть достаточно быстрым.

Мера является строгой, если она удовлетворяет большинству описанных требований, или слабой, если она не удовлетворяет нескольким требованиям.
Назначение требований - попытка приблизить аналитическую оценку, выраженную одним числом, к субъективному понятию человека о схожести изображений.

Слайд 10

Функции схожести
Нормированная функция корреляции
Нормированная усредненная корреляционная функция

Слайд 11

объект
T=0,99
T=0,9779
T=0,9777
Графики функции корреляции

Слайд 12

Функция на основе суммы квадратов разностей
Функция на основе взвешенной суммы

квадратов разностей

Слайд 13

Функция на основе метрики Хаусдорфа
Функция на основе городской метрики
Функция

на основе усредненной городской метрики

Слайд 14

Функция на основе среднеквадратичной погрешности
Минимаксная функция схожести
Минимаксная мультипликативная

Слайд 15

Минимаксная аддитивная
Минимаксная аддитивная степенная
Минимаксная усредненная аддитивная

Слайд 16

1
2
3
Рассчитанные значения функций схожести для изображений 1 и 2
Рассчитанные значения функций

схожести для изображений 1 и 3

Слайд 17

Алгоритм поиска объектов на изображении методом сопоставления с эталоном
Исходные данные:

эталонное изображение размером
обрабатываемое изображение размером
значение пороговой величины.
Эталон сравнивается со всеми объектами, находящимися на изображении, путем последовательного перемещения по изображению, как правило, слева направо, сверху вниз. В качестве оценочной величины используется одна из известных мер сходства.

Слайд 18

В общем случае алгоритм требует выполнения следующих шагов:
1. Выделение фрагмента изображения

размером, согласно размеру эталона начиная с верхней левой части растрового изображения.
2. Вычисление функции схожести для выделенного фрагмента и объекта.
3. Сравнение полученного значения функции схожести с пороговой величиной и принятие решения о соответствии фрагмента объекту.
4. Сдвиг вправо или вниз на один элемент на принятом изображении, выделение следующего фрагмента и переход к п.2., если число сдвигов меньше .
Иначе поиск завершен.

Слайд 19

Заданный объект
Обрабатываемое изображение

Слайд 20

Нормированная функция корреляции

Слайд 21

Нормированная усредненная корреляционная функция

Слайд 22

Функция на основе суммы квадратов разностей

Слайд 23

Функция на основе среднеквадратичной погрешности

Слайд 24

Функция на основе метрики Хаусдорфа

Слайд 25

Функция на основе городской метрики

Слайд 26

Минимаксная мультипликативная

Слайд 27

Минимаксная аддитивная

Слайд 28

1
2
3

Слайд 29

Методы сокращения вычислительных затрат
Применение различных двукратных преобразований;
Вычисление двумерной корреляции в

этом случае требует выполнения следующих действий:
- выполнить прямое преобразование (в базисе Фурье, Хаара, Уолша-Адамара и т.д.), т.е. вычислить спектры для анализируемого фрагмента изображения и эталона путем умножения растровых матриц на матрицу коэффициентов используемого базиса;
- вычислить поточечное произведение полученных векторов;
- произвести обратное преобразование - умножить полученные вектора на матрицу обратного преобразования применяемого базиса.

Слайд 30

Совмещение операции вычисления функции схожести с операцией сравнения с порогом, т.е.

вычисление функций прекращается для анализируемой позиции объекта на изображении, если полученное значение корреляции на некотором шаге меньше установленного порога. В данном случае снижение вычислительных затрат достигается за счет ухудшения помехоустойчивости;
Использование характеристик определенного класса изображений. Например, для бинарных изображений процедуру поиска можно значительно упростить, если применять простые арифметические действия вместо спектрального преобразования.
Использование моментов строк и столбцов растровых матриц изображений

Слайд 31

Использование моментов строк и столбцов растровых матриц изображений

Слайд 32

Слайд 33

Слайд 34

СРАВНЕНИЕ И ПОИСК ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ

Содержание

ЛитератураСтаровойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений. –

системы машинного зрения для технологических процессов;системы для диагностики и мониторинга состояния

Проблема сравнения видеоданныхДано: Цифровые изображения A, B1, B2, … размером NxN с

123Оценка возможного количества вариантов изображений:Следствие: отсутствие универсального определения или численной оценки

Основные подходы к сравнению изображений: Человеческое восприятие, дающее субъективную оценку; Математические

Требования к мерам, вычисляющим сходствоПусть A = {aij}, B = {bij} и C = {cij} .Свойства для

2. Нормализованность значений: 3. Устойчивость к шуму;4. Мера М не должна резко изменяться при

Функции схожестиНормированная функция корреляции Нормированная усредненная корреляционная функция

объектT=0,99T=0,9779T=0,9777Графики функции корреляции

Функция на основе суммы квадратов разностей Функция на основе взвешенной суммы

Функция на основе метрики Хаусдорфа Функция на основе городской метрики Функция

Функция на основе среднеквадратичной погрешности Минимаксная функция схожести Минимаксная мультипликативная

Минимаксная аддитивная Минимаксная аддитивная степенная Минимаксная усредненная аддитивная

123Рассчитанные значения функций схожести для изображений 1 и 2Рассчитанные значения функций

Алгоритм поиска объектов на изображении методом сопоставления с эталоном Исходные данные:

В общем случае алгоритм требует выполнения следующих шагов:1. Выделение фрагмента изображения

Заданный объектОбрабатываемое изображение