Содержание
- 2. ~ 90% информации человек получает через зрение Это очень информативный источник Множество рутинной работы людей связано
- 3. Распознавание изображений В XXI веке появились большие вычислительные мощности Получать цифровые изображения стало очень просто
- 4. За последние 10 лет произошел огромный толчок КЗ нашло свое применение: Распознавание людей (отпечаток пальца, лицо,
- 5. Сужаем класс задач Наши условия: Есть изображение На нем есть объект Необходимо отнести его к одному
- 6. Общий алгоритм
- 7. Фильтрация от шума На всех реальных изображениях присутствует шум Шум распределен в широкой полосе частот Не
- 8. Фильтр низких частот Свертка с прямоугольным окном Свертка с гауссовым окном Фильтры низких частот
- 9. Выбор окрестности Сортировка Выбор значения из середины Медианный фильтр
- 10. Фильтрация от шума
- 11. Метод наращивания и соединения областей Исходное изображение Наращивание Промежуточных областей Смежные области объединяются Сегментированное изображение
- 12. Результат сегментации
- 13. Есть картинка, и что? Компьютер понимает только формальное описание Например классификацию точек на плоскости он бы
- 14. Очень много информации На обычном hd снимке 1280 * 720 ~ 1 млн. пикселей Сложно обрабатывать
- 15. Проблемы освещенности
- 16. Искажения перспективы
- 17. Аберрации линзы (рыбий глаз)
- 18. Вариация формы
- 19. Встречаются почти всегда Эталон Сдвиг Масштабное преобразование Поворот
- 20. Выделение признаков для изображений символов Предположения: Изображение полутоновое Символ на картинке один Задача: Сопоставить изображению набор
- 21. Математическое представление изображения Это функция двух переменных (непрерывный случай) Это матрица (дискретный случай)
- 22. Математическое представление изображения Справедливы: Сложение Вычитание Умножение Деление Возведение в степень И т.д.
- 23. Физическое представление изображения Это плоская фигура (непрерывный случай) Это система материальных точек (дискретный случай) Чем светлее
- 24. Инвариантность относительно сдвига Буква – это твердое тело С каждой точкой ТТ можно связать систему координат
- 25. Выбор начала отсчета Нормальный выбор – центр буквы Очень просто вычислить Но что происходит при слабом
- 26. Центр масс изображения
- 27. Центр масс изображения
- 28. Инвариантность относительно масштаба Надо изменить масштаб распознаваемого изображения Какую область масштабировать? Во сколько раз?
- 29. Какую область масштабировать?
- 30. Какую область масштабировать? Она должна быть связана с размерами символа Можно выбрать описанный квадрат или круг
- 31. Статистические характеристики Удобно рассмотреть распределение пикселей по удаленности от центра масс Это функция ρ(r) По горизонтальной
- 32. Статистические характеристики Область точно не надо брать уже, чем математическое ожидание расстояния Насколько велик разброс пикселей
- 33. Статистические характеристики
- 34. Во сколько раз масштабировать? Под размер шаблона с которым будет делаться сравнение Шаблон должен быть не
- 35. Не случится ли беды? Делаем масштабирование в прямом пространстве Растяжение переходит в сжатие, сжатие в растяжение
- 36. Не случится ли беды? Появление высоких частот при фиксированной частоте дискретизации может привести к невыполнению теоремы
- 37. Этапы масштабной нормализации Исходный символ Свертка с Гауссовым фильтром Отмасштабированный символ
- 38. Линейная алгебра Функция это элемент гильбертова пространства. Как вектор. Скалярное произведение: Ортонормированный базис:
- 39. Разложение векторов Если размерность базиса (кол-во векторов в нем) совпадает с размерностью пространства, то по такому
- 40. Моменты В функциональном пространстве скалярное произведение f(x) на g(x) назвали: Момент f(x) относительно g(x) Базисы есть
- 41. Базисы Не ортогональный: Регулярный базис Регулярные моменты Ортогональные Базис Цернике Моменты Цернике Базис Уолша Моменты Уолша
- 42. Полиномы Цернике Ортогональность Легко восстановить изображение Коэффициенты слабо коррелированы Модуль коэффициентов инвариантен к повороту
- 43. Восстановление изображения Чтобы восстановить изображение надо найти коэффициенты Формула для восстановления
- 44. А если изображение повернуто? Выбираем признаки Либо надо исключить информацию о повороте Либо надо все изображения
- 45. Поворот в исходное положение Вспомним физическую интерпретацию изображения Как у любого твердого тела, у буквы есть
- 46. Определение поворота по собственной системе координат Рассчитывается тензор инерции Определяются собственные направления Сравниваются направления шаблона и
- 47. Модуль моментов Возьмем модуль от моментов Цернике Сделаем сдвиг Очень удобно
- 49. Скачать презентацию