Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Szegmentálás II. Vámossy Zoltán 2004-2006 Mubarak Shah (University of Central Florida) és társai anyaga alapján.

Hasonló előadás


Az előadások a következő témára: "Szegmentálás II. Vámossy Zoltán 2004-2006 Mubarak Shah (University of Central Florida) és társai anyaga alapján."— Előadás másolata:

1 Szegmentálás II. Vámossy Zoltán Mubarak Shah (University of Central Florida) és társai anyaga alapján

2 Régió szegmentálás Mubarak Shah: Fundamentals of Computer Vision 1992 és Szegedi kollégák (Kuba Attila, Palágyi Kálmán, Kató Zoltán) anyagai alapján

3 Vámossy Zoltán IAR Csoportosítás (clustering)

4 Vámossy Zoltán IAR Szegmentálás - felosztás R3R3 R1R1 R2R2 R5R5 R4R4 R6R6

5 Vámossy Zoltán IAR Régió szegmentálás

6 Vámossy Zoltán IAR Régió szegmentálás

7 Vámossy Zoltán IAR Réteg reprezentáció

8 Vámossy Zoltán IAR Hierarchikus szegmentálás Kiinduló képfinomodó szegmentációs szegmentációkfa

9 Vámossy Zoltán IAR Szegmentálás n Az I(x, y) kép szegmentálása kapcsolódó részképekre (régiókra) bontást jelent n Keressük R 1, R 2, ….,R n összefüggő régiókat úgy, hogy Az i-ik régióban minden pixelre teljesül valamilyen hasonlósági feltétel P(R i ) = 1

10 Vámossy Zoltán IAR Hasonlósági feltételek n A részkép minden pixele ugyanolyan intenzitású n Bármely részképben a pixelek intenzitása nem különbözik jobban egymástól, mint egy adott küszöb n Bármely részképben a pixelek intenzitása nem különbözik jobban a régió átlagos intenzitásától, mint egy adott küszöb n Bármely régióban az intenzitásértékek szórása kicsi n …

11 Vámossy Zoltán IAR A szegmentálás sikeres ha … n a régiók homogének és egyenletesek (uniformitás), n a régiók belsejében nincsenek lyukak, n a szomszédos régiók között jelentős különbség van, n a szegmensek közötti határ egyszerű és pontos.

12 Vámossy Zoltán IAR Szegmentálási módszerek n küszöböléses (lásd korábban is) n él-alapú n régió-alapú n illesztésen alapuló

13 Vámossy Zoltán IAR A küszöbölés típusai n Globális: T = T{I(x,y)} n Lokális: T = T{A(x,y), I(x,y)} n Dinamikus: T = T{x, y, A(x,y), I(x,y)}, ahol (x,y): pozíció, A(x,y): az (x,y) környezetéből számított valamilyen lokális tulajdonság, I(x,y): intenzitás (x,y)-ban

14 Vámossy Zoltán IAR Egyszerű küszöbölés

15 Vámossy Zoltán IAR Hisztogram alapú szegmentálás - példa

16 Vámossy Zoltán IAR Hisztogram alapú szegmentálás - példa

17 Vámossy Zoltán IAR Valós hisztogramok Nem valós Valós (zajos)

18 Vámossy Zoltán IAR Valós hisztogram n Zajos - simítás! –A hisztogramon hajtsunk végre átlagoló, vagy 1D Gauss szűrés(eke)t! Peak - csúcs csúcs völgy

19 Vámossy Zoltán IAR Él-alapú szegmentálás n A hisztogram csak a szürkeségi értékek előfordulási gyakoriságát mutatja meg, a pozíciók, a szomszédos elemek szürkesége és egyéb információk hiányoznak. n Ahhoz, hogy zárt és összefüggő határvonalakat kaphassunk más módszerek szükségesek. Előforduló problémák (pl. zaj esetén): n álpozitív (false positive) élek — élt detektálunk ott, ahol nincs él; n álnegatív (false negative) élek — nem találunk élt, pedig van.

20 Vámossy Zoltán IAR Él-alapú szegmentálás modellje n Kép simítás => simított kép n Lokális élkiemelés => gradiens irányok és nagyságok n Él korrekció => éltérkép n Élek kapcsolása, csoportosítása => vonal jellemzők

21 Vámossy Zoltán IAR Él-korrekciós módszerek n hiszterézis küszöbölés (lásd a Cannynél) n nem-maximális élek elnyomása (lásd a Cannynél) n él-relaxáció n él-kapcsolás

22 Vámossy Zoltán IAR Él-relaxáció Iteratívan újraértékeljük a képpontok osztályozását): n Egy él (akár erős is), ha nincs folytatása a környezetében, valószínűleg nem tartozik semmilyen határhoz. n Egy gyenge él, ha két erős él között van, valószínűleg a határvonalhoz tartozik.

23 Vámossy Zoltán IAR Él-kapcsolás Összekapcsolhatunk szomszédos él-pontokat, ha hasonló tulajdonságaik vannak: n Hasonló a gradiensük nagysága valamely küszöbértékre: n Hasonló gradiensük iránya valamely küszöbértékre:

24 Vámossy Zoltán IAR Régió alapú szegmentálás … az objektum/szegmens által elfoglalt területet határozza meg. Megközelítések: n régió növelés (region growing) n egyesítés (merge), n szétválasztás (split), n egyesítés és szétválasztás n fagocita algoritmus.

25 Vámossy Zoltán IAR Régió növeléses szegmentálás lépései Seed segmentation Számítsuk ki a kép hisztogramját Simítsuk a hisztogramot átlagolással vagy Gauss szűréssel (kis csúcsok, zajok eltüntetése) Detektáljunk “jó” csúcsokat (peakiness) és völgyeket – lokális maximumok és minimumok keresése-, peakiness test Szegmentáljuk a képet bináris képpé a völgyben lévő küszöbökkel (rendeljünk 1-t a régiókhoz, 0 a háttér) Alkalmazzuk a kapcsolódó komponensek algoritmusát (connected component algorithm) minden bináris képrészre, hogy megtaláljuk az összefüggő régiókat

26 Vámossy Zoltán IAR Jó csúcsok - Peakiness Test

27 Vámossy Zoltán IAR Hisztogram alapú szegmentálás n Használjuk a völgyeket küszöbölésre –Alkalmazzuk a küszöböket a hisztogramon –Címkézzük meg a pixeleket az adott küszöbnek megfelelő tartományban ugyanazzal az értékkel, pl., a, b, c … vagy 1, 2, 3 …

28 Vámossy Zoltán IAR Connected Components n A nem csatlakozó, ugyanolyan szegmensű részeket szét kell vágni C szegmenshez adható

29 Vámossy Zoltán IAR Rekurzív kapcsolódó komponens módszer Connected Component Algorithm 1. Dolgozzuk fel a bináris képet balról jobbra, fentről lefelé 2. Ha még nem címkézett “1”-t tartalmazó pixelhez érkezünk, akkor rendeljünk egy új címkét hozzá 3. Rekurzívan vizsgáljuk meg a szomszédait a 2. lépésnek megfelelően, és rendeljük hozzá ugyanazt a címkét, ha még nem címkézettek és az értékük 1 4. Álljunk meg, ha minden 1 értékű pixelt megvizsgáltunk Megjegyzés: 4-es, 8-as szomszédság

30 Vámossy Zoltán IAR Soros kapcsolódó komponens módszer 1. Dolgozzuk fel a bináris képet balról jobbra, fentről lefelé 2. Ha még nem címkézett “1”-t tartalmazó pixelhez érkezünk, akkor rendeljünk hozzá egy új címkét a következő szabályok szerint: L L1 LL LLLL 01 0L M1 M L (L=M) 3. Határozzuk meg a címkék közül az ekvivalenseket (pl.: a=b=e=g és c=f=h, és i=j) 4. Az ekvivalens csoportok minden eleméhez rendeljük ugyanazt a címkét második körben

31 Vámossy Zoltán IAR Soros kapcsolódó komponens módszer d=c Ekvivalens osztály Tehát két lépéses az algoritmus: 1. Címkézés 2. Ekvivalens elemek összekapcsolása

32 Vámossy Zoltán IAR szomszédságra szabályok L 0 0L L0 1 0 L 0 L 00 L 00 0 L0 0 L L 0 10 L * * 0* * 0* * L* * L L 1 L LM 1M L(L=M)

33 Vámossy Zoltán IAR Példa – fehérrel jelölt ujjhegyek

34 Vámossy Zoltán IAR Példa szegmentálásra 93 csúcs

35 Vámossy Zoltán IAR Példa szegmentálásra Simított histogram (átlagolás 5 méretű maszkkal) 54 csúcs Peakiness teszt után 18 Simított histogram kétszer 21 csúcs Peakiness teszt után 7 Simított histogram háromszor 11 csúcs Peakiness teszt után 4

36 Vámossy Zoltán IAR Példa szegmentálásra (0, 40)(40, 116)(116, 243)(243, 255)

37 Vámossy Zoltán IAR Seed Segmentation továbbfejlesztése n A kis régiókat kapcsoljuk nagyobbakhoz –Régió növelés n Nagy régiók szétvágása –Régió vágás n Gyenge határok eltüntetése szomszédos régiók esetében

38 Vámossy Zoltán IAR Régió növelés n Régió vágás és egyesítés (split and merge) n Fagocita (phagocyte) algoritmus n Valószínűségi arány teszt

39 Vámossy Zoltán IAR Split and Merge régiókra n Vágás: vágjuk a nem homogén régiókat 4 szomszédos részre n Egyesítés: hasonló tulajdonságú (uniform) szomszédos régiókat kapcsoljuk össze n Álljunk meg, ha már nem lehet sem vágni, sem ragasztani Az uniformitás/hasonlóság függvénye: P

40 Vámossy Zoltán IAR Példa – split and merge RR1R1 R2R2 R3R3 R4R4 R1R1 R2R2 R

41 Vámossy Zoltán IAR Példa – split and merge R R R RRRR R R R R R R R R R RRRR R R RR R RR RR R R R R R R R R

42 Vámossy Zoltán IAR Quad Tree n Négyes fa adatstruktúra régióreprezentáláshoz n Három fajta csomópont: szürke, fekete és fehér n Elsőként generáljunk egy piramist: n Ha a piramis fehér, vagy fekete, akkor visszatérés, egyébként: –Rekurzívan keressünk egy quad tree-t X1 negyedben –Rekurzívan keressünk egy quad tree-t X2 negyedben –Rekurzívan keressünk egy quad tree-t X3 negyedben –Rekurzívan keressünk egy quad tree-t X4 negyedben –Return

43 Vámossy Zoltán IAR

44 Vámossy Zoltán IAR Fagocita algoritmus n Határ összeolvasztás –A gyenge határokat megszünteti –Hasonló a régióegyesítéshez n A határ gyengeség (weakness) hasonló intenzitáson alapul R1R1 R2R2

45 Vámossy Zoltán IAR Fagocita algoritmus R1R1 R2R2

46 Vámossy Zoltán IAR Fagocita illesztés heurisztikája Olvasszunk össze két régiót, ha ahol P 1 az R 1 régió, P 2 az R 2 régió kerülete Ha T 2 ½, akkor csökkenhet Olvasszunk össze két régiót, ha Fagocita Gyengeség

47 Vámossy Zoltán IAR Valószínűségi arány teszt n Cél: annak eldöntése, hogy összeragasztható-e két régió n Két hipotézisünk van: –H1: két külön régió van a képen –H2: csak egy régió található n Feltételezzük, hogy az intenzitás minden régióban: –Gauss eloszlású –Függetlenek egymástól a régióban

48 Vámossy Zoltán IAR Valószínűségi arány teszt

49 Vámossy Zoltán IAR Valószínűségi arány teszt Annak valószínűsége, hogy egy véletlenül Kiválasztott pixel intenzitása x – Gauss eloszlás x 1, x 2, …,x m1  A x m1+1, x m1+2, …,x m1+m2  B A régióban annak a valószínűsége, hogy x 1, x 2, … x m1 intenzitások vannak: B régióban annak a valószínűsége, hogy x m1+1, x m1+2, … x m1+m2 intenzitások vannak:

50 Vámossy Zoltán IAR Valószínűségi arány teszt n Egy régiós hipotézis: n Két régiós hipotézis:

51 Vámossy Zoltán IAR n Egy régiós hipotézis: n Két régiós hipotézis: n Valószínűségi arány: Valószínűségi arány teszt Régiók illesztése, ha LH < T

52 Vámossy Zoltán IAR Régió szomszédsági gráf – megj. n Régiók reprezentálására jól használható adatstruktúra n A régiók csomópontok a gráfban n Az élek a régiók szomszédságát reprezentálják

53 Vámossy Zoltán IAR Régió szomszédsági gráf – megj. n Tegyük fel, hogy a régiókat rendre össze tudjuk ragasztani az ábra szerint n A gráfban kell csak a csomópontokat „adminisztrálni”: azonosság jelzése; majd eltávolítás

54 Vámossy Zoltán IAR Régiószegmentálás és éldetektálás Összehasonlítás n Zárt határ –Éldetektálás esetében általában nem –Régiószegmentálás zárt határokat produkál n Lokális globális –Éldetektálás lokális művelet –Régiószegmentálás globális n Jellemző vektorok tulajdonságainak növekedése –Általában nem javítja az éldetektálás hatékonyságát nagy mértékben –Javítja a szegmentálás hatékonyságát (mozgás, textúra, stb.) n Határpontok –Pontos helyzet meghatározás az éldetektálás során –Általában nincs ilyen

55 Vámossy Zoltán IAR Javasolt irodalom n Chapter 3, Mubarak Shah, “Fundamentals of Computer Vision”, 1992 (book.pdf)


Letölteni ppt "Szegmentálás II. Vámossy Zoltán 2004-2006 Mubarak Shah (University of Central Florida) és társai anyaga alapján."

Hasonló előadás


Google Hirdetések