Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Vámossy Zoltán 2004 (Kató Zoltán – Szeged, Bebis – Nevada Univ., Ribeiro – Florida alapján) Küszöbölés Szegmentálás I.

Hasonló előadás


Az előadások a következő témára: "Vámossy Zoltán 2004 (Kató Zoltán – Szeged, Bebis – Nevada Univ., Ribeiro – Florida alapján) Küszöbölés Szegmentálás I."— Előadás másolata:

1 Vámossy Zoltán 2004 (Kató Zoltán – Szeged, Bebis – Nevada Univ., Ribeiro – Florida alapján) Küszöbölés Szegmentálás I.

2 Vámossy Zoltán IAR CV rendszer általános modellje

3 Vámossy Zoltán IAR Képoperációk osztályozása n Képtérben történő műveletek –Pont alapú transzformációk –Maszk, vagy ablak alapú transzformációk –Geometriai transzformációk –Teljes képre vonatkozó transzformációk n Frekvencia tartományban módszerek

4 Vámossy Zoltán IAR Pont alapú: küszöbölés

5 Vámossy Zoltán IAR Hisztogram n Olyan grafikon, amely minden lehetséges szürkeárnyalathoz megadja a képen az adott árnyalatú pixelek számát n Ha normalizáljuk (minden értéket elosztunk a kép méretével), akkor az egyes pixelértékek előfordu- lási valószínűségét kapjuk

6 Vámossy Zoltán IAR Hisztogram n A digitális kép [0, L-1] intenzitástartományban tekintett hisztogramja: h(r k ) = n k ahol r k a k-ik szürkeségi érték, n k azoknak a pixeleknek a száma, amelyeknek az intenzitása r k h(r k ) a digitális kép hisztogramja r k intenzitásnál unsigned char* x; x = image->data; for (i= sor * oszlop; i = 0; i--) hist[*x++]++;

7 Vámossy Zoltán IAR Normalizált hisztogram n A hisztogram minden r k intenzitás összdarabszámát (n k -t) elosztjuk a kép pixeleinek számával (n): p(r k ) = n k / n p(r k ) az r k intenzitás előfordulásának valószínűségét becsüli n A normalizált hisztogram elemeinek összege 1

8 Megvilágítás és visszaverődés Fényviszonyok hatása Kis kitérő megjegyzések

9 Vámossy Zoltán IAR Intenzitás - megvilágítás n Egy szürkeárnyalatos kép fényintenzitást rögzít n A rögzített intenzitás egy (x, y) pontban lényegében két összetevő szorzata: f(x, y) = r(x, y) * i(x, y) –a felület visszaverődési tulajdonsága (reflectance): 0 < r(x, y) < 1 (r értékek: fekete bársony 0.01; rozsdamentes acél 0.65; fehérszínű fal 0.8; hó 0.93) –illetve a megvilágítás erőssége: 0 < i(x, y) < ∞ (i értékek: felhőtlen napsütés 9000 footcandle, szoba 100, felhős idő 1000) n Ha a megvilágítás egyenletes (vagyis i(x, y) konstans), akkor f(x, y) jól tükrözi a szegmentálandó felületek visszaverődési tulajdonságát -> a hisztogram jól használható (tulajdonságok meghatározása egyszerűbb) n Ha a megvilágítás nem egyenletes, akkor a f(x, y) torzítottan adja vissza r(x, y)-t -> a hisztogramból nyert információ félrevezető lehet

10 Vámossy Zoltán IAR Megvilágítás (illumináció) n A cél konstans megvilágítás elérése annak érdekében, hogy a hibák effektusok, tulajdonságok kiderüljenek, könnyebben azonosíthatók legyenek n Fényforrások: –Izzólámpa: olcsó, de erős árnyék –diffúz (szórt) fény: kicsi árnyék n Probléma 1: degradálódás. Ha a szoftver a belső fény abszolút intenzitását veszi figyelembe és ennek változására érzékeny, ez probléma, mivel a fényerő idővel degradálódik. Megoldás: a rendszer önkalibráló és/vagy fénymérő. n Probléma 2: vibrálás.

11 Vámossy Zoltán IAR Intenzitás n Lmin=imin*rmin>0; gyakorlati érték = n Lmax=imax*rmax< ∞ gyakorlati érték=100 n Szürkeségi árnyalatok: f(x,y) є [Lmin, Lmax] (gray scale interval), szokás ezt az intervallumot eltolni a [0, L]-be, ahol L = Lmax-Lmin n Emlékeztető - Képvétel lépései: 1. (x,y) = digitalizálás = image sampling 2. amplitúdó (f(x, y)) digitalizálás = gray level quantization

12 Küszöbölés Feltevések és módszerek

13 Vámossy Zoltán IAR Küszöbölés (thresholding) n Alapfeltevések: –Az objektum és a háttér eltérő intenzitású (nagy kontraszt) –A kapott két halmaz átlagos intenzitásának eltérése a legnagyobb legyen –Az objektum és a háttér homogén intenzitású n Például: sötét objektum világos háttéren: –f(x,y) - input kép; –t(x,y) - szegmentált kép; –T=küszöbérték n f(x,y) t(x,y)=1 (object) n f(x,y)>T -> t(x,y)=0 (background)

14 Vámossy Zoltán IAR Küszöbérték meghatározása n Zajos kép esetében nehéz (~lehetetlen) kielégítő küszöbértéket meghatározni -> a szegmentálás inhomogén lesz. –Zajszűrés jelenthet megoldást, ha nem túl nagy a zaj…

15 Vámossy Zoltán IAR Küszöbérték meghatározása n Lehet az input képtől függetlenül, manuálisan rögzített érték –Egyszerű –Kontrollált környezetben jól használható (ipari alkalmazások) n Adaptív eljárások, melyek az input képhez automatikusan választják ki az optimális küszöbértéket: –Objektumok, alkalmazás, környezet ismeretében (méretek, intenzitások, objektum számok) –Globális hisztogramból klaszterezéssel számított érték Lehet küszöb: medián (fele objektum, fele háttér); átlag Isodata algoritmus (Yanni) Otsu algoritmus –Lokálisan változó érték (egyenetlen megvilágítás) Niblack algoritmus

16 Vámossy Zoltán IAR Hisztogram alapján n A homogén intenzitású régiók erős csúcsot jelentenek a hisztogramban

17 Vámossy Zoltán IAR Hisztogram alapján – több szintben n Több küszöb szerint is lehet szétvágni n If f (x, y) < T1 then f (x, y) = 255 else if T1 <= f (x, y) < T2 then f (x, y) = 128 else f (x, y) = 0 n Ha a hisztogramnak erős csúcsai vannak, mély elválasztó völgyekkel, akkor könnyebb a szeparálás

18 Vámossy Zoltán IAR Küszöbölés p-ed résznél n Ha tudjuk, hogy a háttérhez és a tárgyhoz tartozó pontok aránya ~1/p (pl. a nyomtatott szöveg betűi kb. 1/10-ét foglalják el a lapnak), akkor a T küszöb választása: n ahol p i az i intenzitás relatív gyakorisága.

19 Vámossy Zoltán IAR Küszöbölés p-ed résznél

20 Vámossy Zoltán IAR Hiszterézises küszöbölés n Ha nincs “tiszta” völgy a hisztogramban, akkor a háttérben sok olyan pixel van, aminek az intenzitása megegyezik az objektum pixeleinek intenzitásával és fordítva n Két küszöböt definiálunk a völgy két szélénél n A nagyobb küszöb feletti pixelek objektumok, a kisebb alatti háttér n A két küszöb közötti akkor objektum, ha létezik objektumhoz tartozó szomszédos pixele

21 Vámossy Zoltán IAR Hiszterézises küszöbölés

22 Vámossy Zoltán IAR Isodata algoritmus n Jól használható, ha az előtér és a háttér kb. ugyanannyi pixelből áll. –Inicializálás: a hisztogramot két részre osztjuk (célszerűen a felezőponton): T 0 –Kiszámítjuk az objektum, valamint a háttér intenzitásának középértékét: T O, T B (küszöbnél kisebb intenzitásúak, ill. nagyobbak átlaga) –Az új küszöbérték a két középérték átlaga: T i =(T O +T B )/2 –Vége, ha a küszöbérték már nem változik: T k+1 =T k

23 Vámossy Zoltán IAR Otsu algoritmus I. n A bemeneti kép L szürkeárnyalatot tartalmaz n A normalizált hisztogram minden i szürkeértékhez megadja az előfordulás gyakoriságát (valószínűségét): p i n Az algoritmus lényege: keressük meg azt a T küszöbszámot, amely maximalizálja az objektum- háttér közötti varianciát (szórás négyzetet). Homogén régiónak a varianciája kicsi n Bimodális histogramot tételez fel

24 Vámossy Zoltán IAR Otsu algoritmus II. n A háttér/előtér pixelek gyakorisága (valószínűsége) n A háttér, előtér és teljes kép középértéke

25 Vámossy Zoltán IAR Otsu algoritmus III. n Objektum és háttér pixelek középértéke: n Varianciák:

26 Vámossy Zoltán IAR Otsu algoritmus IV. n Teljes kép varianciája: n Az osztályon belüli és osztályok közötti varianciák: n ahol az osztályok közötti variancia és az osztályon belüli variancia

27 Vámossy Zoltán IAR Otsu algoritmus V. n A teljes szórás nem függ T-től, T-t úgy kell beállítani, hogy a két osztály közötti variancia a legnagyobb legyen és az osztályon belüli variancia a legkisebb. n Maximalizáljuk, ami a következő módon is írható: ahol n Induljunk el a hisztogram kezdetétől és nézzük meg, hogy milyen T-re maximális

28 Vámossy Zoltán IAR Otsu algoritmus összefoglaló n A hisztogram elejéről kezdve nézzük meg minden szürkeértéket, mint lehetséges küszöböt: –Számoljuk ki σ B 2 (T) értékét µ(T), µ B (T) és q B (T) segítségével –Számoljuk ki σ O 2 (T) értékét µ(T), µ O (T) és q O (T) segítségével –Mindaddig növeljük T értékét, amíg σ B* 2 (T) növekszik n Ez az algoritmus feltételezi, hogy σ B* 2 (T)-nek egyetlen maximuma van és a histogram bimodális! n Nem jó az algoritmus: –Nagyon eltérő méretű osztályoknál –Változó megvilágításnál

29 Vámossy Zoltán IAR Példák n Isodata n Otsu

30 Lokálisan változó küszöbölés Lokális küszöbölés Niblack algoritmus Nem egyenletes megvilágítás kezelése

31 Vámossy Zoltán IAR Lokálisan változó küszöbérték n Mit tehetünk abban az esetben, ha az objektum vagy a háttér nem homogén? n Amennyiben az objektum és a háttér kontrasztja lokálisan továbbra is nagy, akkor alkalmazhatunk lokális küszöbölést

32 Vámossy Zoltán IAR Lokális hisztogram + Otsu

33 Vámossy Zoltán IAR Példa adaptív küszöbölésre n Globális és lokális küszöbölés

34 Vámossy Zoltán IAR Dinamikus lokális küszöbölés n T(x,y) = ablak_átlag(x,y) – C, n ahol ablak_átlag(x,y) az (x,y) pont k x k –as környezetében számított átlag és C: konstans. eredetiglobálisdinamikus (k=7, C = 7)

35 Vámossy Zoltán IAR Niblack algoritmus n Egyetlen küszöb nem elegendő az objektum és háttér szétválasztásához n Változó küszöbérték (T(i,j)) kell, amely követi az intenzitásváltozásokat: T(i, j) = μ(i, j) + k *σ(i, j) n (i,j) adott környezetében: –µ(i, j) – középérték –σ(i,j) – szórás n k mennyire vegyük figyelembe a szórást –Sötét objektum k < 0 –Világos objektum k > 0 –Általában |k| ~ n A környezet méret: elég kicsi lokális részek megőrzésére, elég nagy zaj elnyomására (15 x 15)

36 Vámossy Zoltán IAR Niblack algoritmus: példák n ForrásNiblack k = -0,2 30 x 30 n Otsu n k = -0,5 30 x 30 n Niblack k = -0,2 k = -0,2 15 x 1560 x 60 n Niblack k = -0,5k = -0,5 15 x 1560 x 60

37 Vámossy Zoltán IAR Postprocessing n “ghost” objektumok eltüntetése –Számítsuk ki az átlagos gradiens értékét az objektumok élei mentén –Töröljük le azokat az objektumokat, amelyeknek az átlagos gradiense egy adott küszöbérték alatt van

38 Vámossy Zoltán IAR Postprocessing példák n EredetiNiblack k= X15 n Gradiens postprocess után

39 Vámossy Zoltán IAR Nem egyenletes megvilágítás kezelése n Egyenetlen megvilágítás esetén egy lehetséges megközelítés, hogy a kép intenzitást egyszerű függvénynek (pl. ferde sík) tételezzük fel n A küszöbölés: sík feletti és alatti intenzitások segítségével


Letölteni ppt "Vámossy Zoltán 2004 (Kató Zoltán – Szeged, Bebis – Nevada Univ., Ribeiro – Florida alapján) Küszöbölés Szegmentálás I."

Hasonló előadás


Google Hirdetések