Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

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

Hasonló előadás


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

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

2 Egy kép többet jelent, mint tízezer szó!
This is the lecture 2 in Computer vision and it will include… <switch slide>

3 Mi a textúra?

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

5 Determinisztikus textúrák

6 Véletlen textúrák

7 Textúra típusok

8 Textúra-élek Élek ott keletkeznek, ahol a textúra paraméterek megváltoznak: méret irány sűrűség kontraszt hosszúság szélesség Fontos jellemző a szegmentáláshoz

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

10 Gestalt szabályok

11 Az egészet látjuk, nem a részeket

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

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

14 Jellemzők <= => kapcsolat
Irány <= => pozíció Szín vagy görbület, de nem szín és görbület

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

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

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

18 Hisztogram momentumok 2.

19 Együttes előfordulási mátrix
A co-occurence mátrix az egymástól adott távolságban és irányban elhelyezkedő azonos szürkeárnyalatú pixel-párok számát adja meg. Ebből a mátrixból azután sokféle textúra-jellemzőt vezethetünk le. 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 Együttes előfordulási mátrix
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: Írható más alakban is (~polárkoordináta): C(n, m | d, θ) Bizonyos irodalmakban: C(n, m | Δi, Δj) = előfordulás {I(i, j) = m és I(i+Δi, j+Δj) = n )}

21 Együttes előfordulási mátrix - példa
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 Polár co-occurence mátrix - példa

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

24 Pixel távolság választása
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 Régió kontraszt Szomszédos nagy területek kontrasztja A pixeltávolság ~ régió átmérő

25 Lokális kontraszt

26 Régió kontraszt


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

Hasonló előadás


Google Hirdetések