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 2004-2006 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 2004 3 Csoportosítás (clustering)

4 Vámossy Zoltán IAR 2004 4 Szegmentálás - felosztás R3R3 R1R1 R2R2 R5R5 R4R4 R6R6

5 Vámossy Zoltán IAR 2004 5 Régió szegmentálás

6 Vámossy Zoltán IAR 2004 6 Régió szegmentálás

7 Vámossy Zoltán IAR 2004 7 Réteg reprezentáció

8 Vámossy Zoltán IAR 2004 8 Hierarchikus szegmentálás Kiinduló képfinomodó szegmentációs szegmentációkfa

9 Vámossy Zoltán IAR 2004 9 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 2004 10 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 2004 11 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 2004 12 Szegmentálási módszerek n küszöböléses (lásd korábban is) n él-alapú n régió-alapú n illesztésen alapuló

13 Vámossy Zoltán IAR 2004 13 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 2004 14 Egyszerű küszöbölés

15 Vámossy Zoltán IAR 2004 15 Hisztogram alapú szegmentálás - példa

16 Vámossy Zoltán IAR 2004 16 Hisztogram alapú szegmentálás - példa

17 Vámossy Zoltán IAR 2004 17 Valós hisztogramok Nem valós Valós (zajos)

18 Vámossy Zoltán IAR 2004 18 Valós hisztogram n Zajos - simítás! –A hisztogramon hajtsunk végre átlagoló, vagy 1D Gauss szűrés(eke)t! Peak - csúcs csúcs völgy

19 Vámossy Zoltán IAR 2004 19 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 2004 20 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 2004 21 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 2004 22 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 2004 23 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 2004 24 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 2004 25 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 2004 26 Jó csúcsok - Peakiness Test

27 Vámossy Zoltán IAR 2004 27 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 2004 28 Connected Components n A nem csatlakozó, ugyanolyan szegmensű részeket szét kell vágni C szegmenshez adható

29 Vámossy Zoltán IAR 2004 29 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 2004 30 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: 0000 01 0L 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 2004 31 Soros kapcsolódó komponens módszer d=c Ekvivalens osztály Tehát két lépéses az algoritmus: 1. Címkézés 2. Ekvivalens elemek összekapcsolása

32 Vámossy Zoltán IAR 2004 32 8 szomszédságra szabályok 0 0 00 0 0L 0 0L 0 0 0 1 0 L0 1 0 L 0 L 00 L 00 0 L0 0 L 0 1 0 L 0 10 L * * 0* * 0* * L* * L L 1 L LM 1M L(L=M)

33 Vámossy Zoltán IAR 2004 33 Példa – fehérrel jelölt ujjhegyek

34 Vámossy Zoltán IAR 2004 34 Példa szegmentálásra 93 csúcs

35 Vámossy Zoltán IAR 2004 35 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 2004 36 Példa szegmentálásra (0, 40)(40, 116)(116, 243)(243, 255)

37 Vámossy Zoltán IAR 2004 37 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 2004 38 Régió növelés n Régió vágás és egyesítés (split and merge) n Fagocita (phagocyte) algoritmus n Valószínűségi arány teszt

39 Vámossy Zoltán IAR 2004 39 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 2004 40 Példa – split and merge RR1R1 R2R2 R3R3 R4R4 R1R1 R2R2 R

41 Vámossy Zoltán IAR 2004 41 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 2004 42 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 2004 43

44 Vámossy Zoltán IAR 2004 44 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 2004 45 Fagocita algoritmus R1R1 R2R2

46 Vámossy Zoltán IAR 2004 46 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 2004 47 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 2004 48 Valószínűségi arány teszt

49 Vámossy Zoltán IAR 2004 49 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 2004 50 Valószínűségi arány teszt n Egy régiós hipotézis: n Két régiós hipotézis:

51 Vámossy Zoltán IAR 2004 51 n Egy régiós hipotézis: n Két régiós hipotézis: n Valószínűségi arány: Valószínűségi arány teszt Régiók illesztése, ha LH < T

52 Vámossy Zoltán IAR 2004 52 Régió szomszédsági gráf – megj. n Régiók reprezentálására jól használható adatstruktúra n A régiók csomópontok a gráfban n Az élek a régiók szomszédságát reprezentálják 1 2 3 4 5 6 1 2 3 4 5 6

53 Vámossy Zoltán IAR 2004 53 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 2004 54 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 2004 55 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