Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Vámossy Zoltán 2004 (Stanford, Berkeley, CMU, Birmingham, ELTE, SZTAKI, SzTE anyagok alapján) DIP + CV Bevezető.

Hasonló előadás


Az előadások a következő témára: "Vámossy Zoltán 2004 (Stanford, Berkeley, CMU, Birmingham, ELTE, SZTAKI, SzTE anyagok alapján) DIP + CV Bevezető."— Előadás másolata:

1 Vámossy Zoltán 2004 (Stanford, Berkeley, CMU, Birmingham, ELTE, SZTAKI, SzTE anyagok alapján) DIP + CV Bevezető

2 Egy kép többet jelent, mint tízezer szó!

3 Vámossy Zoltán IAR CV rendszer általános modellje

4 Vámossy Zoltán IAR Bevezető n A számítástechnikában korábban az adat numerikus érték volt n Később szöveges n Ma sok más forma: hang, zene, beszéd, kép, … n Ezek az adatok mind jelek n A jel tartalmazhat információt, de ez a feldolgozástól – szubjektumtól - függ

5 Vámossy Zoltán IAR Mi a DIP (digitális kép fogalma)? n Kép (image): kétdimenziós f(x, y) függvény, ahol az x és y térbeli koordináták; f amplitúdó az (x, y) koordinátákban az intenzitás vagy a szürkeségi szint n Ha x, y és f diszkrét mennyiségek, akkor a képet digitálisnak mondjuk

6 Vámossy Zoltán IAR Mi a DIP (digitális kép)?

7 Vámossy Zoltán IAR Mi a DIP (digitális képfeldolgozás)?

8 Vámossy Zoltán IAR Mi a képfeldolgozás? n A képfeldolgozás a jelfeldolgozás része, amely képekkel foglalkozik n Célja: a kép minőségének javítása az ember, vagy további számítógépes feldolgozás számára n Kép – Képfeldolgozás – “Jobb” kép

9 Vámossy Zoltán IAR Vázlatos definiciók n Digitális képfeldolgozás (Digital image processing): digitális képek feldolgozása digitális számítógépekkel n Számítógépes látás (Computer Vision): Számítógép használata az emberi látás emulációjára, amely magába foglalja tanulást, következtetést és reagálást n A mesterséges intelligencia (AI) több részét használják a CV-ben, mint a IP-ben

10 Vámossy Zoltán IAR Képekkel foglalkozó területek n Számítógépes grafika: képek készítése modellekből n Képfeldolgozás: képek fokozása, vagy más manipulálása, az eredmény általában másik kép (és valamilyen jellemzők) n Számítógépes látás: a képtartalom analízise

11 Vámossy Zoltán IAR Képekkel foglalkozó területek

12 Vámossy Zoltán IAR Történeti bevezető n A digitális képfeldolgozás története a számítógépek fejlődéséhez igazodott. n Az első képfeldolgozáshoz elegendő teljesítménnyel rendelkező szg.: 1960 (űrprogramok kezdetének ideje) n 1964: űrből érkező képek fokozása szg-pel n DIP ugyanakkortól az orvoslásban, Föld megfigyelésében és a csillagászatban n Computerized Tomography (CT) az egyik legfontosabb eredménye a képfeldolgozásnak

13 Vámossy Zoltán IAR Mi a Computer Vision? n Olyan elméleti és algoritmikus alapok kifejlesztését jelenti, amelyek segítségével a 3D világról automatikusan nyerhető ki és analizálható hasznos információ - a világ 2D képének egyetlen vagy több példányát felhasználva

14 Vámossy Zoltán IAR A CV a következő területekre koncentrál n Milyen információt kell kinyerni a vizuális szenzorokból? n Hogyan történik a kinyerés? n Hogyan kell a kinyert adatot reprezentálni? n Hogyan kell az információt használni, annak érdekében, hogy a rendszer a feladatát ellássa?

15 Vámossy Zoltán IAR Computer Vision-hoz hasonló fogalmak n Kép analízis (Image Analysis) n Jelenet analízis (Scene Analysis) n Kép megértés (Image Understanding)

16 Vámossy Zoltán IAR Hasonló, kapcsolódó területek n Képfeldolgozás (Image Processing) n Számítógépes grafika (Computer Graphics) n Minta felismerés (Pattern Recognition) n Robotika (Robotics) n Mesterséges intelligencia (Artificial Intelligence)

17 Vámossy Zoltán IAR Képfeldolgozás (Image Processing) n Képfokozás (Image Enhancement)

18 Vámossy Zoltán IAR Képfeldolgozás n Kép helyreállítás (Image Restoration) (pl. rosszul fókuszált képek korrekciója )

19 Vámossy Zoltán IAR n Képtömörítés (Image Compression) Képfeldolgozás

20 Vámossy Zoltán IAR Számítógépes grafika (Computer Graphics) n Geometriai modellezés

21 Vámossy Zoltán IAR Computer Vision

22 Vámossy Zoltán IAR Robotlátás (Robotic Vision) n A CV alkalmazása robotikában n Néhány fontos alkalmazás: –Autonóm robotnavigáció (Autonomous robot navigation) –Szg-es felügyelet és összeszerelés (Inspection and assembly)

23 Vámossy Zoltán IAR Mintafelismerés (Pattern Recognition) n Tradicionális terület (60-as évek óta kutatási terület) n 2D képekből származó 2D objektumok felismerésével és osztályozásával foglalkozik n Sok klasszikus megközelítés csak szűk területen működik (pl. nem alkalmazható 3D objektumokra) n A legtöbb olyan kutatás innen származik, amely kiváltotta a computer vision fejlődését n Sok mintafelismerés területén kidolgozott elvet a computer vision esetében is használnak

24 Vámossy Zoltán IAR Mesterséges intelligencia (AI) n Intelligens rendszerek tervezésével és az intelligencia tanulmányozásával foglalkozó terület n Miután a képek feldolgozásával a jellemzőket megkapjuk, a jelenet szimbolikus reprezentációjával analizálhatjuk azt n Sok AI technika jelentős szerepet játszik a computer vision területén is n A computer vision az AI gyakorlati része

25 Vámossy Zoltán IAR Miért bonyolult a CV? n A nagyszámú felület különböző anyagokból, texturázottsággal, geometriai jellemzőkkel és sokszor inhomogén, vagy eltérő megvilágítási körülmények között rendkívül eltérő képekhez vezet n A 3D világ 2D kép transzformáció rengeteg információt elveszít – az un. Inverz térképezésnek nincs egyértelmű megoldása n Számítástechnikailag “intenzív” n A felismerés menetét még nem értjük pontosan

26 Vámossy Zoltán IAR Praktikus megfontolások n A jelenet körülményeit vegyük figyelembe –Gyűjtsünk minél több adatot (képet) –A környező világ jellemzőit vegyük figyelembe n Számíthatóság és robosztusság n Ipari computer vision rendszereknél –A megvilágítási feltételeket mi szabályozzuk –Az objektumot mi pozícionáljuk –Az objektum jellemzőiben rejlő lehetőségeket használjuk ki

27 Vámossy Zoltán IAR Ipari Computer Vision rendszer

28 Vámossy Zoltán IAR A digitális képfeldolgozás szintjei n A képek szg-es feldolgozását három szintre lehet osztani: alacsony, közép és magas szintű feladatok (low-level, middle-level, high-level) n Low-level: mind az input mind az output kép n Middle-level: az inputok általában képek, de az outputok a képekből nyert attribútumok (pl. egy objektum azonosítói a képen) n High-level: a felismert objektumok együttesének érzékelése

29 Vámossy Zoltán IAR A három feldolgozási szint n Alacsony szintű (low-level) feldolgozás –Sztenderd eljárások alkalmazása a kép minőségének javítása érdekében – adatvezérelt (zajszűrés, élesítés, …)

30 Vámossy Zoltán IAR n Középső szintű (intermediate-level) feldolgozás –A kép komponenseinek kiemelése (szegmentálás) és azok jellemzése –Némi intelligencia szükséges A három feldolgozási szint

31 Vámossy Zoltán IAR n Magas szintű (high-level) feldolgozás –Felismerés és interpretáció –Intelligencia módszerek szükségesek A három feldolgozási szint

32 Vámossy Zoltán IAR Felismerés nehézségei n Jelenetek megértése, még komplex és rendezetlen kép esetében is egyszerű az ember számára

33 Vámossy Zoltán IAR Felismerés nehézségei n Hogyan tudjuk megérteni, kivenni a valóságot, vagy a valóság képét? n Mi a nyitja a képek megértésének? n Milyen ismeretet használunk a képek megértéséhez?

34 Vámossy Zoltán IAR n Mi az objektum? n A színeknek van-e szerepe a felismerésben? n Egyszerűbb-e felismerni a színeket különböző nézetekből? A szín szerepe

35 Vámossy Zoltán IAR n Karakterisztikus képtextúrák segíthetnek az objektumok felismerésében A textúra szerepe

36 Vámossy Zoltán IAR Az alak szerepe

37 Vámossy Zoltán IAR A csoportosítás szerepe

38 Vámossy Zoltán IAR Matematika szerepe a CV-ben n Kezdetben a CV rendszerek egyszerű heurisztikus módszereket alkalmaztak n Napjainkban a terület keményen hajlik az elméleti, jól megalapozott módszerek felé, amelyek nem triviális matematikát használnak –Analízis –Lineáris algebra –Valószínűségszámítás és statisztika –Jelfeldolgozás –Projektív geometria –Számítógépes geometria –Optimalizálás elmélet –Szabályozás elmélet

39 Vámossy Zoltán IAR Computer Vision alkalmazások n Ipari felügyelet/minőségellenőrzés n Őrzésvédelem és biztonság n Arcfelismerés n Mozdulat, gesztus felismerés n Űralkalmazások n Orvosi képek analízise n Autonóm járművek navigálása n Virtuális valóság...

40 Vámossy Zoltán IAR Vizuális minőségellenőrzés

41 Vámossy Zoltán IAR OCR Karakterfelismerés

42 Vámossy Zoltán IAR Dokumentum kezelés

43 Vámossy Zoltán IAR Aláírás ellenőrzés (verification)

44 Vámossy Zoltán IAR Biometriai azonosítás és verifikálás

45 Vámossy Zoltán IAR Ujjlenyomat azonosítás

46 Vámossy Zoltán IAR Ujjnyomat alapú ellenőrzés Minutiae Illesztés Delaunay Triangulation

47 Vámossy Zoltán IAR Objektum felismerés

48 Vámossy Zoltán IAR Objektumfelismerés referencia nézet 1 referencia nézet 2 újszerű nézet - felismerendő

49 Vámossy Zoltán IAR Képi adatbázisok indexelése n Alakok tárolása

50 Vámossy Zoltán IAR Képi adatbázisok indexelése n Szín, textúra

51 Vámossy Zoltán IAR Céltárgyak felismerése

52 Vámossy Zoltán IAR Az űrfelvételek interpretálása alapprobléma a CV-ben és a fotogrammetriában (tárgyak mértani helyzetének meghatározása fényképük alapján) Űrfelvételek interpretálása

53 Vámossy Zoltán IAR Autonóm járművek Földön, víz alatt, levegőben

54 Vámossy Zoltán IAR Forgalom monitorozás (Traffic Monitoring)

55 Vámossy Zoltán IAR Arc (fej)detektálás (Face Detection)

56 Vámossy Zoltán IAR Arcfelismerés (Face Recognition)

57 Vámossy Zoltán IAR Face Detection/Recognition

58 Vámossy Zoltán IAR Arckifejezések felismerése

59 Vámossy Zoltán IAR Arc-, vagy más tárgyak követése

60 Vámossy Zoltán IAR Face Tracking (folytatás)

61 Vámossy Zoltán IAR Kéz és más gesztusok felismerése n Ember-számítógép felhasználói interfész n Jelbeszédek felismerése

62 Vámossy Zoltán IAR Emberi tevékenység felismerése

63 Vámossy Zoltán IAR Orvosi alkalmazás (Medical Applications) bőr rák mellrák

64 Vámossy Zoltán IAR Űralkalmazások

65 Vámossy Zoltán IAR Morfológia (Morphing)

66 Vámossy Zoltán IAR Mesterséges objektumok jelenetbe illesztése

67 Vámossy Zoltán IAR Olvasmányok n Computer Vision, Forsyth and Ponce –Chapter 1 n Introductory Techniques for 3D Computer Vision, Trucco and Verri –Chapter 2

68 Vámossy Zoltán IAR Néhány honlap CV témakörben n Computer Vision Home Page n Home Page n UNR Computer Vision Laboratory


Letölteni ppt "Vámossy Zoltán 2004 (Stanford, Berkeley, CMU, Birmingham, ELTE, SZTAKI, SzTE anyagok alapján) DIP + CV Bevezető."

Hasonló előadás


Google Hirdetések