Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján Textúra.

Hasonló előadás


Az előadások a következő témára: "Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján Textúra."— Előadás másolata:

1 Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján Textúra

2 Egy kép többet jelent, mint tízezer szó!

3 Vámossy Zoltán IAR Mi a textúra?

4 Vámossy Zoltán IAR Textúra fogalma n Egy képen egy területnek állandó textúrája van, ha a –lokális statisztikák vagy –egyéb lokális tulajdonságok állandóak, lassan változnak, vagy megközelítőleg periodikusak n Texel: az ismétlődő minta-elem n Értelmezésük szorosan kapcsolódik az emberi látáshoz: –Az ismétlődő mintázatot nem egyenként érzékeljük, hanem mint egy felület tulajdonságát (~szín, szürkeárnyalat) –Egy textúrált felületet homogénnek érzékelünk n Textúra fajtái: –Determinisztikus: jól meghatározott geometriai alakzat ismétlődése –Véletlen: változó mintázat rögzített statisztikai tulajdonságokkal (pl. eloszlás)

5 Vámossy Zoltán IAR Determinisztikus textúrák

6 Vámossy Zoltán IAR Véletlen textúrák

7 Vámossy Zoltán IAR Textúra típusok

8 Vámossy Zoltán IAR Textúra-élek n Élek ott keletkeznek, ahol a textúra paraméterek megváltoznak: –méret –irány –sűrűség –kontraszt –hosszúság –szélesség –… n Fontos jellemző a szegmentáláshoz

9 Vámossy Zoltán IAR Gestalt pszichológia - csoportosítás n Textúra-érzékelés leírása a Gestalt pszichológiára épül, amely az emberi látás csoportosítási preferenciáival foglalkozik. n A csoportosítás lényegében értelmes részekre bontja a látott képet. n A csoportosítás alapja: –szomszédság –hasonlóság –folytonosság –szimmetria –stabilitás –bezárás (zárt alakzat)

10 Vámossy Zoltán IAR Gestalt szabályok

11 Vámossy Zoltán IAR Az egészet látjuk, nem a részeket

12 Vámossy Zoltán IAR Textúrák megkülönböztetése n Julesz Béla (1966): Bizonyos textúrákat könnyedén („első ránézésre”) meg tudunk különböztetni. –különböző első- és másodrendű statisztikák esetén –azonos másodrendű statisztikák esetén nehéz megkülönböztetni

13 Vámossy Zoltán IAR Első- és másodrendű statisztika n Első rendű statisztika: az egyes elemek statisztikája –például: méret, árnyalat n Másodrendű statisztika: páronkénti előfordulási gyakoriság

14 Vámossy Zoltán IAR Jellemzők kapcsolat n Irány pozíció n Szín vagy görbület, de nem szín és görbület

15 Vámossy Zoltán IAR Textúra leírás n A textúrák statisztikai leírása olyan textúra jellemzőket állít elő, melyek egy régión belül homogének => szegmentálás viszonylag könnyen elvégezhető n Három fő típus: –hisztogram (elsőrendű statisztika) –együttes előfordulási (co-occurence) mátrix (másodrendű statisztika) –textúra elemek eloszlása egy ablakon belül

16 Vámossy Zoltán IAR Hisztogram momentumok 1. n Egy z valószínűségi változó (itt pixel-érték a hisztogramban) n. centrális-momentuma µ n : n Jól jellemzik a kép, vagy egyes régiók textúrázottságát.

17 Vámossy Zoltán IAR Hisztogram momentumok 2. n Második momentum jól jellemzi a kontrasztot, ami fontos a textúrák jellemzésében is: n Relatív simaság R: –konstans intenzitás: R = 0 –nagy intenzitás-változás: R ≈ 1 n 3. momentum a hisztogram alakjára (szimmetria), n 4. mometum a hisztogram laposságára jellemző n Nem írja le a pixelek egymáshoz viszonyított elhelyezkedését.

18 Vámossy Zoltán IAR Hisztogram momentumok 2.

19 Vámossy Zoltán IAR Együttes előfordulási mátrix n A co-occurence mátrix az egymástól adott távolságban és irányban elhelyezkedő azonos szürkeárnyalatú pixel-párok számát adja meg. n Ebből a mátrixból azután sokféle textúra- jellemzőt vezethetünk le. n C(n, m | Δi, Δj) megadja a valószínűségét annak, hogy egy tetszőleges pixelérték n, amíg a pixel (megfelelő irányban és távolságban levő) szomszédjának pixelértéke m. A co-occurence mátrix szimmetrikus.

20 Vámossy Zoltán IAR Együttes előfordulási mátrix n C(n, m | Δi, Δj) = előfordulás {I(i, j) = m és I(i+Δi, j+Δj) = n )} + előfordulás {I(i, j) = m és I(i-Δi, j-Δj) = n )} Megjegyzés: n Írható más alakban is (~polárkoordináta): C(n, m | d, θ) n Bizonyos irodalmakban: n C(n, m | Δi, Δj) = előfordulás {I(i, j) = m és I(i+Δi, j+Δj) = n )}

21 Vámossy Zoltán IAR Együttes előfordulási mátrix - példa n Tekintsük az alábbi 6-színű képet és C(l,m|0,1): –Horizontálisan szomszéd pixelek együttes előfordulása –C(l,m|0,1) 6X6 mátrix (256 árnyalat esetén 256 x 256)

22 Vámossy Zoltán IAR Polár co-occurence mátrix - példa

23 Vámossy Zoltán IAR Co-occurence – textúra jellemzők n Ezen jellemzőknek nincs közvetlen pszicho-fizikai értelme, de jól használhatók textúrák megkülönböztetésére

24 Vámossy Zoltán IAR Pixel távolság választása n Lokális vagy pixel kontraszt –Direkt szomszédokat (pl. 8-as) hasonlítunk össze –A kontraszt nem irányfüggő, a 8 iránynak megfelelő co-occurence mátrix átlagát használjuk: Ha a szomszédos elemek azonosak, vagy hasonlóak (lokális kontraszt alacsony), a mátrix nagy elemei főleg a főátlóban (vagy akörül) helyezkednek el Ha nagy az eltérés (lokális kontraszt magas), akkor a nagy elemek jellemzően a főátlón kívül jelennek meg n Régió kontraszt –Szomszédos nagy területek kontrasztja –A pixeltávolság ~ régió átmérő

25 Vámossy Zoltán IAR Lokális kontraszt

26 Vámossy Zoltán IAR Régió kontraszt


Letölteni ppt "Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján Textúra."

Hasonló előadás


Google Hirdetések