Содержание
- 2. Сегментация изображений Лекция 3 Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce
- 3. Из чего состоит изображение?
- 4. Из «кусков» - отдельных объектов
- 5. Сегментация Сегментация - это способ разделения сцены на «куски», с которыми проще работать Тесселяция - разбиение
- 6. Результат сегментации Как мы будем записывать результат сегментации? Сделаем карту разметки – изображение, в каждом пикселе
- 7. Простейшая сегментация Чем отличаются объекты на этом изображении? Все объекты яркие, фон тёмный Для сегментации такого
- 8. Пороговая бинаризация
- 9. Пороговая бинаризация Пороговая фильтрация (thresholding) Пиксели, которых выше/ниже некоторого порога, заданного «извне», помечаются 1 Ниже порога
- 10. Пороговая бинаризация
- 11. Пороговая фильтрация Более интересный способ – определение порога автоматически, по характеристикам изображения Анализ гистограммы
- 12. Анализ гистограммы Анализ симметричного пика гистограммы Применяется когда фон изображения дает отчетливый и доминирующий пик гистограммы,
- 13. Анализ гистограммы Сгладить гистограмму; Найти ячейку гистограммы hmax с максимальным значением; На стороне гистограммы не относящееся
- 14. Адаптивная бинаризация
- 15. Адаптивная бинаризация Необходима в случае неравномерной яркости фона/объекта. Для каждого пикселя изображения I(x, y): В окрестности
- 16. Адаптивная бинаризация
- 17. Шум в бинарных изображениях Часто возникает из-за невозможности полностью подавить шум в изображениях, недостаточной контрастности объектов
- 18. Шум в бинарных изображениях По одному пикселю невозможно определить – шум или объект? Нужно рассматривать окрестность
- 19. Подавление и устранение шума Широко известный способ - устранение шума с помощью операций математической морфологии: Сужение
- 20. Математическая морфология Множество A обычно является объектом обработки Множество B (называемое структурным элементом) – инструмент обработки
- 21. Операция «расширение» Операция «расширение» - аналог логического «или» А А(+)B
- 22. Операция «расширение» Расширение (dilation) A (+) B = {t R2: t = a + b,
- 23. Операция «cужение» Сужение (erosion) A (-) B = (AC (+) B)С, где AC -дополнение A
- 24. Операция «cужение» Что будет?
- 25. Операция «cужение»
- 26. Операция «cужение»
- 27. Метрики Евклидово расстояние: ДE(p,q)=[(x-s)2+(y-t)2]1/2 Модульное расстояние (метрика городских кварталов): Д4(p,q)= │x-s│+│y-t│ Шахматное расстояние: Д8(p,q) = max{│x-s│,│y-t│}
- 28. Метрики
- 29. Важное замечание Результат морфологических операций во многом определяется применяемым структурным элементом. Выбирая различный структурный элемент можно
- 30. Операция выделения контура объекта При работе с бинарными изображениями контуры объекта можно получить с помощью операций
- 31. Операция выделения контура объекта
- 32. Операции раскрытия и закрытия Морфологическое раскрытие (opening) open(A,B)=(A(-)B)(+)B Морфологическое закрытие (closing) close(A, B) = (A (+)
- 33. Применение открытия
- 34. Сужение vs Открытие
- 35. Дефекты бинаризации
- 36. Применение закрытия Применим операцию закрытия к изображению с дефектами объектов:
- 37. Не лучший пример для морфологии
- 38. Применение операции «открытия» Часто помогает медианная фильтрация!
- 39. Медианный фильтр Фильтр с окрестностью 3x3 Теперь можем с помощью морфологии убрать оставшиеся точки, тонкие линии
- 40. Что дальше?
- 41. Выделение связных областей Определение связной области: Множество пикселей, у каждого пикселя которого есть хотя бы один
- 42. Разметка связных областей
- 43. Рекурсивный алгоритм
- 44. Рекурсивный алгоритм
- 45. Последовательное сканирование
- 46. Последовательное сканирование
- 47. Выделенные связанные компоненты
- 48. Анализ выделенных областей
- 49. Геометрические признаки Для каждой области можно подсчитать некий набор простейших числовых характеристик: Площадь Центр масс Периметр
- 50. Площадь и центр масс
- 51. Периметр и компактность
- 52. Подсчет периметра области Пиксель лежит на границе области, если он сам принадлежит области и хотя бы
- 53. Пример периметров области
- 54. Инвариантные характеристики
- 55. Ориентация главной оси инерции
- 56. Пример
- 57. Фотометрические признаки Для каждой области можно подсчитать некий набор простейших числовых характеристик: Средняя яркость Средний цвет
- 58. Как анализировать признаки
- 59. Как анализировать признаки Как воспользоваться признаками для классификации? Подобрать диапазоны значений для разных классов вручную, экспериментально
- 60. Ручной подбор Из общих соображений: Ложки более вытянутые, чем сахарные кусочки Ложки больше чем сахарные кусочки
- 61. Графический анализ Собрать тренировочную базу изображений Где только ложки Где только сахар Где только шум Как
- 62. Графический анализ Диаграмма распределения эксцентриситета (проблема – не получается отличить шум от ложек)
- 63. Графический анализ График распределения эксцентриситета и площади (гораздо лучше – можем подобрать значения порогов)
- 64. Метод k-средних Метод k-средних – метод кластеризации данных. Целью задачи кластеризации является разбиение множества объектов на
- 65. Метод k-средних Дано: Набор векторов , i = 1,…, p; k – число кластеров, на которые
- 66. Метод k-средних Алгоритм: 1. Случайным образом выбрать k средних mj j = 1,…, k; 2. Для
- 67. Метод k-средних
- 68. Метод k-средних
- 69. Метод k-средних
- 70. Недостатки Не гарантируется достижение глобального минимума суммарного квадратичного отклонения V, а только одного из локальных минимумов.
- 71. Признаки изображения Какие признаки мы можем использовать для сравнения пикселей и регионов? Яркость Цвет ?
- 72. Пример
- 73. Текстура Это типичные примеры текстурных шаблонов для исследований психофизиологоического восприятия изображений Человек явно использует не только
- 74. «Простые клетки» V1
- 75. Психологическое свойство текстуры
- 76. Форма из текстуры
- 77. Схема простого алгоритма
- 81. Jean Baptiste Joseph Fourier Дикая идея (1807): Любая периодическая функция может быть представлена как взвешенная сумма
- 82. Преобразование Фурье
- 83. Преобразование Фурье
- 84. Быстрое преобразование Фурье Для вычисления всех коэффициентов через скалярное произведение требуется примерно N2 умножений: очень много
- 85. Пример g(t) = sin(2pf t) + (1/3)sin(2p(3f) t)
- 86. Пример g(t) = sin(2pf t) + (1/3)sin(2p(3f) t)
- 87. Ограниченный сигнал Как быть, если сигнал задан на отрезке? Продлить сигнал за границы отрезка, затем разложить
- 88. Прямоугольный сигнал
- 89. Прямоугольный сигнал
- 90. Прямоугольный сигнал
- 91. Прямоугольный сигнал
- 92. Прямоугольный сигнал
- 93. Прямоугольный сигнал
- 94. Прямоугольный сигнал
- 95. Спектр частот
- 96. Свойства Разрывы функции приводят к тому, что требуется больше слагаемых для достижения точности sin() – нечётная
- 97. 2D преобразование
- 98. Пример
- 99. Пример
- 100. Сжатие с потерями (JPEG)
- 101. Первый коэффициент B(0,0) называется DC, средняя интенсивность Верхние левые коэффициенты соответствуют низким частотам, верхние – высоким
- 102. Сжатие изображения с ДКП Следующим шагом является квантование (дискретизация) коэффициентов Квантовать мы можем по разному низкие
- 103. Пример
- 104. Пример Делим G на Q и округляем: round ( G(i,j) / Q(i,j) ) При этом обнуляются
- 105. Размер блока JPEG Маленький блок Быстрее Больше корреляции между соседними пикселям Большой блок Лучше сжатие в
- 106. Пример сжатия
- 107. Спектральный анализ для изображений Отображение спектров изображений Спектр – это изображение, показывающая зависимость амплитуды от частоты
- 108. Спектральный анализ
- 109. Спектральный анализ
- 110. Искусственная сцена
- 111. Края в изображении
- 112. Теорема о свёртке Преобразование Фурье от свёртки двух функций можно представить как произведение преобразований Фурье каждой
- 114. Скачать презентацию