Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor.

Hasonló előadás


Az előadások a következő témára: "Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor."— Előadás másolata:

1 Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor

2 Feladat ► Kétdimenziós képek osztályozása ► Referenciaképek szerinti felcímkézés

3 Lehetőségek ► Invariáns momentumok ► Fourier tér ► Kontúr vizsgálat ► Váz

4 Választott megoldás ► Váz és invariáns momentum alapú jellemzés ► Egymást jól kiegészítik ► Későbbiekben további feature-ökkel bővíthető a rendszer

5 Invariáns momentumok ► Számokkal reprezentál ► Invariáns a merevtest transzformációkra  Eltolás, Forgatás  Skálázásra nem ► 7 jellemző – 3 –at használtunk

6 Váz ► Reprezentálja az objektum  Általános formáját  Topológiai szerkezetét ► Invariáns  Eltolás, forgatás  Skálázás

7 Váz felhasználása ► Szerkezeti jellemzők kinyerése volt a cél ► Lehetőleg szám ► Ötlet: gráfosítás ► Referenciaképekhez való hasonlóság

8 Váz gráfosítása ► Jellemző pontok kinyerése:  Végpont  Útpont  Elágazási pont ► Égetés, és megjegyzés Új él: 1 - 2

9 Gráfok összehasonlítása ► Bemenet: 2 gráf ► Kimenet: 0 és 1 közötti szám  Hasonlóságot reprezentálja  1 ha a két gráf izomorf ► Izomorf részhalmazokat keresünk  Nehéz probléma  Kis gráfok

10 Gráfok összehasonlítása ► S1 az első gráf részgráfjainak halmaza ► S2 a második gráf részgráfjainak halmaza ► S = S1 ∩ S2 ► Hasonlóság = |S| / |S1| * |S| / |S2|

11 Framework ► Kellően robosztus ► Kötegelt fájlfeldolgozás ► Szabadon bővíthető ► Minden részeredményt tárol ► Egyszerű osztályozás  A feature-ök által adott értékek súlyozott összeszorzása ► Tanulás: több referenciakép

12 Eredmények ► Osama-filter ► Gyakorlati probléma ► Fémdetektor ► Vetület képek felismerése ► Mi van a táskában?

13 Eredmények

14 Gráf megjelenítő

15 Hiányosságok ► Különböző felépítésű objektumokat jól felismerünk (90%), de hasonló szerkezetnél nem (30%) ► Váz gráfosításánál „szellem a gépben” ► Nem minden esetben elegendőek a feature- ök ► Gráfok összehasonlítása lassú

16 Lehetőségek ► Kinyert váz további felhasználása  Szimmetriák keresése  Topológiai magok ► Gyorsítás (vagy türelem) ► Probléma specifikus optimalizálás  Pl. ABC karaktereire ► Teljsen új feature-ök


Letölteni ppt "Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor."

Hasonló előadás


Google Hirdetések