Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor.

Slides:



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

Koordináta transzformációk 2
GRIN: Gráf alapú RDF index
ADATBÁZISOK.
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS A BIONIKUS SZEMÜVEGBEN Persa György.
Matematika és módszertana
FRAKTÁLOK.
Koordináta transzformációk
Koordináta transzformációk
Geometriai Transzformációk
Geometriai transzformációk
Digitális képanalízis
Címkézett hálózatok modellezése
Streaming Algorithms for k-core Decomposition. K-mag dekompozíció Maximális részgráf, amiben minden csúcshoz legalább k részgráfbeli csúcs csatlakozik.
Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével
Rangsorolás tanulása ápr. 24..
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
FRAKTÁLOK.
Metal/plastic foam projekt
Botyánszki Laczik Rácz
Klaszterező algoritmusok smart city alkalmazásokhoz Gonda László Témavezető: Dr. Ispány Márton.
Hasonlósági transzformáció
Transzformációk kucg.korea.ac.kr.
Papp Róbert, Blaskovics Viktor, Hantos Norbert
Szkeletonizáció Vámossy Zoltán 2004
Küszöbölés Szegmentálás I.
ELTE Szlávi-Zsakó: Programozási alapismeretek 8.1/ Kiválogatás Specifikáció:  Bemenet: N:Egész, X:Tömb[1..N:Valami]
Web-grafika II (SVG) 2. gyakorlat Kereszty Gábor.
Tökéletes Hash függvények keresése Kasler Lóránd-Péter.
Gazdasági modellezés,döntési modellek
ISMERETALAPÚ RENDSZEREK SZAKÉRTŐ RENDSZEREK
Készítette: Kosztyán Zsolt Tibor
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Textúra elemzés szupport vektor géppel
Rekeszív meghatározása tüdőröntgenen
16. Modul Egybevágóságok.
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
GPS az építőmérnöki gyakorlatban Transzformáció. Térbeli hasonlósági transzformáció.
Fogalom-rendszerek - bevezetés -. Minden fogalom az emberi gondolkodás terméke Mindazok a dolgok, amelyek alapján a fogalom létrehozható, az emberi gondolkodástól.
Transzformációk Szirmay-Kalos László. Transzformációk (x,y) (x’,y’) = T(x,y) l Tönkre tehetik az egyenletet l Korlátozzuk a transformációkat és az alakzatokat.
Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!
Az arcfelismerés és arc detektálás alapjai Matusinka Roland OE-NIK
2. Koordináta-rendszerek és transzformációk
Algoritmizálás, adatmodellezés tanítása 8. előadás.
Algoritmus és adatszerkezet Tavaszi félév Tóth Norbert1 Floyd-Warshall-algoritmus Legrövidebb utak keresése.
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.
Projektmenedzsment gráf általában súlyozott irányított
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Automatikus fizikai tervezési javaslatok XML adatbázisokhoz Balogh Bernadett Kresz Marcell Cseh Tamás.
INFOÉRA Gráfok, gráfalgoritmusok II. (Horváth Gyula és Szlávi Péter előadásai felhasználásával) Juhász István-Zsakó László: Informatikai.
Digitális képanalízis
Hasonlóság modul Ismétlés.
Bevezetés a számítógépi grafikába
OpenCV CV = Computer Vision
Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI.
Családi Kutya Program (1994-től) A családi kutyákra jellemző az ugató viselkedés – feltehetően összefügg a háziasítással Kérdés: Vajon az ugatásnak.
Kristályok szimmetriái. Mexico Naica barlang Szerkezetek: RÁCS.
- Mobil navigáció látássérülteknek -
Radványi Mihály - Doktorizom! -.
Hibernate / EclipseLink / OpenJPA összehasonlítás
DirectoryEntry & DirectorySearcher
A Robotok miért nem értik az internetet?
Mesterséges intelligencia
A Robotok miért nem értik az internetet?
Algoritmusok és Adatszerkezetek I.
Bevezetés Tematika Számonkérés Irodalom
2. A számító- gépes grafika eszközei
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor

Feladat ► Kétdimenziós képek osztályozása ► Referenciaképek szerinti felcímkézés

Lehetőségek ► Invariáns momentumok ► Fourier tér ► Kontúr vizsgálat ► Váz

Választott megoldás ► Váz és invariáns momentum alapú jellemzés ► Egymást jól kiegészítik ► Későbbiekben további feature-ökkel bővíthető a rendszer

Invariáns momentumok ► Számokkal reprezentál ► Invariáns a merevtest transzformációkra  Eltolás, Forgatás  Skálázásra nem ► 7 jellemző – 3 –at használtunk

Váz ► Reprezentálja az objektum  Általános formáját  Topológiai szerkezetét ► Invariáns  Eltolás, forgatás  Skálázás

Váz felhasználása ► Szerkezeti jellemzők kinyerése volt a cél ► Lehetőleg szám ► Ötlet: gráfosítás ► Referenciaképekhez való hasonlóság

Váz gráfosítása ► Jellemző pontok kinyerése:  Végpont  Útpont  Elágazási pont ► Égetés, és megjegyzés Új él: 1 - 2

Gráfok összehasonlítása ► Bemenet: 2 gráf ► Kimenet: 0 és 1 közötti szám  Hasonlóságot reprezentálja  1 ha a két gráf izomorf ► Izomorf részhalmazokat keresünk  Nehéz probléma  Kis gráfok

Gráfok összehasonlítása ► S1 az első gráf részgráfjainak halmaza ► S2 a második gráf részgráfjainak halmaza ► S = S1 ∩ S2 ► Hasonlóság = |S| / |S1| * |S| / |S2|

Framework ► Kellően robosztus ► Kötegelt fájlfeldolgozás ► Szabadon bővíthető ► Minden részeredményt tárol ► Egyszerű osztályozás  A feature-ök által adott értékek súlyozott összeszorzása ► Tanulás: több referenciakép

Eredmények ► Osama-filter ► Gyakorlati probléma ► Fémdetektor ► Vetület képek felismerése ► Mi van a táskában?

Eredmények

Gráf megjelenítő

Hiányosságok ► Különböző felépítésű objektumokat jól felismerünk (90%), de hasonló szerkezetnél nem (30%) ► Váz gráfosításánál „szellem a gépben” ► Nem minden esetben elegendőek a feature- ök ► Gráfok összehasonlítása lassú

Lehetőségek ► Kinyert váz további felhasználása  Szimmetriák keresése  Topológiai magok ► Gyorsítás (vagy türelem) ► Probléma specifikus optimalizálás  Pl. ABC karaktereire ► Teljsen új feature-ök