8. kurzus Szegmentálás (Segmentation) Dr. Vajda Tamás.

Slides:



Advertisements
Hasonló előadás
ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések.
Advertisements

A Dijkstra algoritmus.
Készítette: Nagy Mihály tanár Perecsen, 2006.
Függvények.
Egyszerű alapműveletek
A vízszintes mérések alapműveletei
Fejmozgás alapú gesztusok felismerése
1 AIBO Robotfoci Bodor László IAR Bevezetés AIBO RoboCup AIBO RoboCup Célok Célok Rendszer elemei Rendszer elemei Megvalósítás terve Megvalósítás.
Függvények Egyenlőre csak valós-valós függvényekkel foglalkozunk.
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
MI 2003/ A következőkben más megközelítés: nem közvetlenül az eloszlásokból indulunk ki, hanem a diszkriminancia függvényeket keressük. Legegyszerűbb:
Matematika II. 4. előadás Geodézia szakmérnöki szak 2010/2011. tanév Műszaki térinformatika ágazat tavaszi félév.
Foltkeresés tüdő röntgen képeken
Vektormező szinguláris pontjainak indexe
Térbeli infinitezimális izometriák
Függvénytranszformációk
Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
FRAKTÁLOK.
Készítette: Pető László
Bináris képek létrehozása Cél: a vizsgálni kívánt objektumok elkülönítése. Szürke kép Bináriskép + szürke kép.
Vámossy Zoltán 2004 (Mubarak Shah, Gonzales-Woods anyagai alapján)
Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján
Szűrés és konvolúció Vámossy Zoltán 2004
Mubarak Shah (University of Central Florida) és társai anyaga alapján
Küszöbölés Szegmentálás I.
2. előadás GÉPRAJZ, GÉPELEMEK I..
Matematika III. előadások MINB083, MILB083
Mérnöki Fizika II előadás
Lázár István Témavezető: Hajdu András
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
Függvények.
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
2. Koordináta-rendszerek és transzformációk
Készítette: Kreka Bálint
A Dijkstra és a kritikus út algoritmusok kapcsolata és szemléletes tanítása Kiss László főiskolai docens OE RKK MKI augusztus 25.
GRÁFELMÉLET Alapfogalmak 1..
Az oszd meg és uralkodj (Divide et Impera) programozási módszer
Vektorok © Vidra Gábor,
16. Modul Egybevágóságok.
Önálló labor munka Csillag Kristóf 2005/2006. őszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Lokális optimalizáció Feladat: f(x) lokális minimumának meghatározása 0.Adott egy kezdeti pont: x 0 1.Jelöljünk ki egy új x i pontot, ahol (lehetőleg)
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
1 Mössbauer-spektrumok illesztése: vonalalak A kibocsátott  -sugárzás energiaspektruma Lorentz-görbe alakú: I : sugárzás intenzitása  : frekvencia 
Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!
Az ábrán az inicializáló blokk lefutása utáni állapotot láthatjuk. A KÉSZ halmazhoz való tartozást színezéssel valósítjuk meg. A nem KÉSZ csúcsok fehérek,
1. MATEMATIKA ELŐADÁS Halmazok, Függvények.
Egyenes vonalú mozgások
2. előadás.
A HATÁROZOTT INTEGRÁL FOGALMA
Valószínűségszámítás II.
előadások, konzultációk
Halmazok Érettségi követelmények:
Ipari képfeldolgozás és képmegjelenítés Műszaki Informatika BSc
Vajta: Képfeldolgozás és megjelenítés 2015 tavasz
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI.
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
Alapvető raszteres algoritmusok, szakasz rajzolása, DDA, MidPoint algoritmus.
SKALÁROK ÉS VEKTOROK.
Vizualizáció és képszintézis
Műholdas helymeghatározás 6. előadás
Mediánok és rendezett minták
LL(1)-elemzés az LL(1)-elemzők már jobbak az előzőeknél, bár nem fedik le a programozási nyelvek szükségleteit alapötlet: a levezetés következő lépéséhez.
Bevezetés Tematika Számonkérés Irodalom
ELEMI GEOMETRIAI ISMERETEK
Előadás másolata:

8. kurzus Szegmentálás (Segmentation) Dr. Vajda Tamás

Képfeldolgozás általános modellje

Szegmentálási módszerek típusai n Küszöböléses (Thresholding) n Él-alapú (Edge-based segmentation) n Régió-alapú (Region-based segmentation) n Illesztésen alapuló (Matching-based segmentation)

Él-alapú szegmentálás n Az él két régió határa, amelyek relatíve különböző szürkeségi tulajdonsággal (intenzitással) rendelkeznek n Nagyfrekvenciás ugrások keresése n Irány érzékeny is lehet n Képtérbeli szűrés: nagyfrekvenciás konvolúciós ablakkal n Konvolúció után binarizálás

Hough transzformáció n Feladata egyszerű formák keresése, mint egyenesek, körök, ellipszisek n Egyeneseket vagy szakaszokat illeszt n Előkészítő lépések: –Él keresés –Binarizálás –Szűrés

Egyenes leírása Általános egyenlet: y = mx + b Ezzel a módszerrel a függőleges (vagy a függőlegeshez közeli) egyeneseket nem lehet leírni (végtelen m ) n Hesse féle normálalakos reprezentáció: –r : Az origótól mért távolság –θ : A pozitív valós féltengellyel bezárt szög θ r P0(x0, y0)P0(x0, y0)P0(x0, y0)P0(x0, y0) P(x, y)

Egyenes-sereg illesztése n Egy pontra végtelen sok egyenest lehet illeszteni Minden egyenest egy (r, θ) paraméter-párral lehet leírni Ábrázoljuk ezeket az egyenesek az (r, θ) térben (Hough- tér) r x y O

Egyenes-sereg illesztése

Hough transzformáció - Példák Forrás:

Hough transzformáció - Példák Forrás:

Régió-alapú szegmentálási módszerek –Régiónövesztéses technika –Régiószeleteléses módszer

Régióorientált szegmentálási eljárások n Legyen R a teljes képtér Szegmentáljuk a képet az alábbi kritériumokat kielégítő R 1, R 2, …, R n régióhalmazba: 1.A szegmentálás teljes: 2.R i kapcsolódó terület 3.A régiók nem lapolnak át: 4.Egy régióban azonos tulajdonságú pontok tartoznak: 5.A szomszédos régiók nem vonhatók össze: P(R i )  homogenitási kritérium

Homogenitási kritérium n A régiók meghatározásához definiálni kell egy ún. homogenitási kritériumot n A kialakult régiók megfeleljenek a képen található objektumoknak n A képtér számos tulajdonságából származhat –Intenzitás (szín) –Sebesség (mozgás alapú szegmentálás) –…

Homogenitási kritérium 2. n Lokális v. globális szinten vizsgálja a régiókat n Globális –A teljes régióra írunk fel egy kritériumot –Példa: n Lokális –Csak a régió egy kis szegmensét vizsgáljuk –Ha a régió minden apró szegmensére igaz, akkor tekintjük a régiót összefüggőnek –Példa:

Régiónövesztés (region growing) n Algoritmus-vázlat: –0. Kitüntetett gyökérpont kiválasztása és hozzáadása a régióhoz –1. A (még vizsgálatlan) szomszédos pontok vizsgálata a homogenitási kritérium segítségével a. Ha teljesül a kiegészített régióban is a homogenitási kritérium  új pont felvétele a régióba b. Ha nem teljesül  pont eldobása –2. Ha volt újonnan felvett pont  rekurzív folytatás a 1. lépéstől n Ha minden pontot megvizsgáltunk, vagy nem tudtuk új ponttal kiegészíteni a régiót, akkor az adott régió elkészült n Ha van még jelöletlen (egy régióhoz sem tartozó pont)  új gyökérpont választásával az algoritmus elölről kezdődik

Régiónövesztés – Mintapélda Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3

Régiónövesztés – Mintapélda Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3

Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3 Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3 Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3

2 Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3 Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3 Régiónövesztés – Mintapélda

Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3

Régiónövesztés – Mintapélda Homogenitási kritérium: A szomszédos pontok (4 szomszédság) intenzitásának különbsége kisebb, mint 3

Régiónövesztés – Fontos megfontolások n Néhány fontos megfontolás: –Milyen homogenitási kritériumot használjunk? –Milyen szomszédsági fokot vegyünk figyelembe? –Milyen sorrendben vizsgáljuk a szomszédokat (esetleg egyszerre)? –Pontok újravizsgálata lehetséges –e?

Régiónövesztés – Fontos megfontolások n Milyen homogenitási kritériumot használjunk? Az intenzitás-különbség kisebb, mint 4

4 Régiónövesztés – Fontos megfontolások n Milyen homogenitási kritériumot használjunk? Az intenzitás-különbség kisebb, mint 4

Régiónövesztés – Fontos megfontolások n Milyen P(Ri)-t használunk? Az intenzitás-különbség kisebb, mint 4

Régiónövesztés – Fontos megfontolások n Milyen szomszédsági fokot használjunk? szomszédság

Régiónövesztés – Fontos megfontolások n Milyen szomszédsági fokot használjunk? szomszédság

Régiónövesztés – Fontos megfontolások n Milyen szomszédsági fokot használjunk? szomszédság

Régiónövesztés – Fontos megfontolások n Újravizsgálás lehetséges? & Szomszédok sorrendje? szomszédság, <3 intenzitás-különbség

Régiónövesztés – Fontos megfontolások n Újravizsgálás lehetséges? & Szomszédok sorrendje? szomszédság, <3 intenzitás-különbség

Régiónövesztés – Fontos megfontolások n Újravizsgálás lehetséges? & Szomszédok sorrendje? szomszédság, <3 intenzitás-különbség

Régiónövesztés – Valós példa n Homogenitási kritérium: –p új : Az vizsgált képpont –μ : A régió várható értéke –σ : A régió szórása

Régiónövesztés – Valós példa Forrás:

Régiószeletés (Split and Merge) n Algoritmus vázlat: –0. Init: Kezdetben egy nagy régió –1. Split: P(Ri) = TRUE : A régió készen van FALSE : A régiót felosztjuk 4 részre, majd rekurzíven az 1. lépés minden új régióra –2. Merge: Ha R i és R j szomszédos régió és P(R i U R j ) = TRUE, akkor a két régió összevonásra kerül Eredeti kép 1. felosztás R1R1R1R1 R2R2R2R2 R4R4R4R4 R3R3R3R3 2. felosztás R1R1R1R1 R2R2R2R2 R3R3R3R3 R 41 R 42 R 43 R 44 Összefésülés R1R1R1R1 R2R2R2R2 R3R3R3R3 R 41 R 42 R 43

Régiószeletelés – MintapéldaR R1R2R3R4R

R R1R2R3R4 R1R1R1R1 R2R2R2R2 R3R3R3R3 R4R4R4R4

R R1R2 R21 R22 R23 R24 R3R4 R1R1R1R1 R3R3R3R3 R4R4R4R4 R 23 R 21 R 22 R 24

Régiószeletelés – MintapéldaR R1R2 R21 R22 R23 R24 R3R4 R41R42R43R44 R1R1R1R1 R3R3R3R3 R 23 R 21 R 22 R 24 R 43 R 41 R 42 R 44

Régiószeletelés – MintapéldaR R1R2 R21 R22 R23 R24 R3R4 R41R42 R42 1 R42 2 R42 3 R42 4 R43 R43 1 R43 2 R43 3 R43 4 R44 R1R1R1R1 R3R3R3R3 R 23 R 21 R 22 R 24 R 44 R 421 R 422 R 423 R 424 R 431 R 432 R 433 R 434 R 41

Régiószeletelés – MintapéldaR R1R2 R21 R22 R23 R24 R3R4 R41R42 R42 1 R42 2 R42 3 R42 4 R43 R43 1 R43 2 R43 3 R43 4 R44

Régiószeletelés – Valós példa Forrás: Eredeti kép Szeletelés után Összefésülés után

Víztárolók módszere (Morphological Watersheds)

Bevezetés n Hogy néz ki 3D-ben egy intenzitás kép imshow(I,[ ])mesh(I)

Bevezetés n Ezt a módszert gyakran a gradiens képen hajtják végre az intenzitás kép helyett. –Ebben az esetben az objektum elkülönül a háttértől a kiemelkedő élek segítségével

Alapfogalmak n Lokális minimum olyan pont vagy ponthalmaz ahonnan nem lehet alacsonyabban fekvő pontot elérni anélkül, hogy előbb mászni kellene n Három típusú pont –A lokális minimumhoz tartozó pontok –Lokális minimum gyűjtő bazinja (vízgyűjtő) Olyan pontok ahonnan a víz mindig ugyan azon lokális minimum felé folyik –Osztó vonal/ vízválasztó vonalak Olyan pontok ahonnan a víz egyenlő eséllyel több vízgyűjtőbe is folyhat Gerincvonalak a topológiai felülete n A módszer célja a vízválasztó vonal típusú pontok megkeresése

Főbb lépések 1. Minden lokális minimumot „kilyukasztunk” 2. A 3D felületet (topológiát) elkezdjük alulról fokozatosan elárasztani 3. Amikor két vízgyűjtő bazin összefolyna akkor gátakat építünk

4. A gátak képezik azokat a körvonalakat amelyeket a víztározó módszerrel kinyerünk a képből

Gátépítés n Alapja a bináris morphológiai tágítás n Minden lépés eredménye egy bináris kép amelyet a következő képen kapunk meg 1.Inicializáláskor a legkisebb szürke árnyalatú pixelek 1-ek, a többi 0. 2.Minden egyes lépésben növeljük a víz szintet és a víz által elárasztott terület 1-es lesz és a többi 0

Jelölés n M1, M2: –Két koordináta halmaz amely megfelel a két lokális minimumnak n C n-1 (M 1 ), C n-1 (M 2 ) –Az M1 M2 lokális minimumai tartozó vízgyűjtő bazinok n-1- dik lépésében már elárasztott pixeleinek a koordináta halmazai n C[n-1] –C n-1 (M 1 ), C n-1 (M 2 ) egyesítése

Gátépítés n Az elárasztás (n-1)-ik lépésében 2 összefüggő komponens van, az n-dik lépésben csak 1 –Ez jelzi hogy a két bazin összeolvad az n-dik lépésben –“q”-val jelöljük a egyesített vízgyűjtőket n Gátat építünk oda ahol a dilatáció eredményeként két vízgyűjtő bazin egybefolyna. –Eredmény egy pixel széles gát amelynek az értéke a maximális szürkeárnyalat+1

Watershed Transform MiMi C(M i ) n-1 T(n) MiMi C(M i ) n-1 T(n) C n (M i ) C(n) MiMi C(M i ) n-2 T(n-1) C(n- 1) n-1 T(n) q1q1 q2q2 q3q3 Dam C(n)

Példa

Példa 2

Gyors változáson alapuló szegmentálási módszerek

n Az objektumokat azért tudjuk megkülönböztetni a környezetétől, mert éles átmenet határolja őket n A régióorientált módszerek esetén a „kitöltő- algoritmus” nem tudott áthatolni ezeken az átmeneteken  így keletkeztek a régiók n „Fordított hozzáállás”  keressük meg közvetlenül ezeket a határátmeneteket és ebből következtessünk az objektumokra n Éles átmenet = élek

Gyors változáson alapuló szegmentálási módszerek

Mozgásalapú szegmentálás

A mozgás mesterséges ábrázolásat.t+1.

Az optical flow definíciója n Képpontokhoz vektor hozzárendelése  hogyan jutunk el a következő képkockához n Vektormező  optical flow (mező) n (Igazából nem elmozdulás, hanem sebességmező)

Példa

FeldolgozásFeldolgozásFeldolgozásFeldolgozás

Mozgásalapú szegmentálás n Pingpongozó ember – Példavideó