Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Görüntü Analizi https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CBwQFjAA&url=http%3A%2F%2Fctmtc.utcluj.ro%3A8080%2Fsites%2Fpni%2FCourse%2FENG%2520%2528EA%2C%2520TST%2529%2520-%2520Conf.dr.ing.%2520M.%2520Gordan%2FCap

Benzer bir sunumlar


... konulu sunumlar: "Görüntü Analizi https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CBwQFjAA&url=http%3A%2F%2Fctmtc.utcluj.ro%3A8080%2Fsites%2Fpni%2FCourse%2FENG%2520%2528EA%2C%2520TST%2529%2520-%2520Conf.dr.ing.%2520M.%2520Gordan%2FCap"— Sunum transkripti:

1 Görüntü Analizi https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CBwQFjAA&url=http%3A%2F%2Fctmtc.utcluj.ro%3A8080%2Fsites%2Fpni%2FCourse%2FENG%2520%2528EA%2C%2520TST%2529%2520-%2520Conf.dr.ing.%2520M.%2520Gordan%2FCap8_Mihaela_Engleza.ppt&ei=bvYiVee9AZPVaom_gaAJ&usg=AFQjCNEfdCasVyg-Yox9kC9Ya9l9ZqaauQ&sig2=_zOAwt9jBsMD3mNcin4BGQ&bvm=bv ,d.d2s

2 GÖRÜNTÜ ANALİZİ VE DESEN TANIMA
Özellik çıkartma: - mekansal özellik çıkartma - dönüşüm temelli özellik çıkartma - kenar yakalama Sınırları ile temsil edilen objeler: - kontur çıkartma - kontur tanımlayıcılar    Bölgeleri ile temsil edilen objeler: - bölge çıkartma - bölge tanımlama Bölge temelli obje belirleme için şekil ve doku: - obje iskeleti - binary morfoloji - şekil tanımlayıcılar Dokular, doku analizi Görüntü bölütleme Gri düzey/ renk bazlı bölütleme Bağlı bileşenler analizi Kontur-temelli bölütleme Bölge-temelli bölütleme   Karışık teknikler

3 Görüntü analiz diyagramı
Introduction Görüntü analiz diyagramı               Plaka tanıma

4 Kalsit konum belirleme
              Yazı bulma Trafik işaret tanıma Kalsit konum belirleme Doku analizi

5 Obje üzerindeki kusurların bulunması
Görüntü analizi için iki yaklaşım söz konusudur  - BASİT YAKLAŞIM: Tüm görüntü içeriği analiz edilir => tüm içerik içinden ilgili bilgi elde edilir/Karmaşık hesaplamalar gerektirir ve hesaplama zamanı uzundur - YETENEKLİ YAKLAŞIM: Doğrudan araştırılan bilgi/objenin bulunduğu görüntü alanına odaklanılır, bilgi/obje çıkartılır. Nasıl? İlgilenilen bilginin temel karakteristikleri tanımlanır Ayırt edici özellikler tanımlanır               Obje üzerindeki kusurların bulunması

6 Örneğin elma görüntüsünde sadece bozulmuş alanlarla ilgileniliyor olsun. Bozulmuş alanlar daha koyu gri tondadır fakat siyah değildir. Eşik değer ile binarized edilerek bu alanlar bölütlenebilir İlgilenilen alandaki bilginin analizi: Daha önce elde edilen özellik uzayı/özellik haritası kullanılarak gerçekleştirilir (Elma örneğinde bozulmuş alanın oranının hesaplanması gibi-örn. %2 bozulmuş alan gibi)               New feature space

7 Böylelikle alan,şekil, vb özellikler
Özellik çıkartma: Mekansal özellikler çeşitli olabilir: Özelliklerin yoğunlukları belirli bir bölgeyi tanımlayabilir Özelliklerin yoğunluğu, onların diğer dokulardan ayırt edilmelerine olanak sağlıyorsa kullanılabilir. Bunun için: => obje çıkartma için en doğru parametrelerin belirlenmesi gerekir-çok zordur => Her zaman ilgilenilen bölgenin bölütlenmesi olanaklı olmayabilir. Bunun yerine görüntüdeki istenmeyen alanların bölütlenmesi de aynı sonucu verir.                 Renklendirme ile doku analizi Böylelikle alan,şekil, vb özellikler

8 lokal histogram ile doku analizi
Histogram temelli özellikler: Lokal histogram = görüntünün lokal istatistiksel olarak tanımlanması               Eşik değer penceresi lokal histogram ile doku analizi

9 Özellik çıkartma              

10 Gradyent operatörleri ile köşe yakalama
Köşeözelliklerin çıkartılması, köşe yakalama Gradyent operatörleri ile köşe yakalama (8.5) (8.6)

11 Çekirdek matrisler ile köşe yakalama
a b c d N NW W SW S SE E NE

12 Laplace operatörü ve zero-crossings köşe lokalizasyon yöntemi:
gk(m,n) –yöne bağlı gradyentk0,...,7, The gradient in the spatial position (m,n) is defined as: Laplace operatörü ve zero-crossings köşe lokalizasyon yöntemi: 1B köşe yakalama Laplace:  

13 (Laplacian of Gaussian)
The Laplacian of Gaussian operator (LoG) 2. türev (Laplacian of Gaussian) Gauss filtresi Gauss un türevi Çekirdek matris:

14 LoG köşe detektörü; sigma=5
Edge detection by different operators – comparison: Original görüntü Sobel köşe detectörü LoG köşe detektörü; sigma=5 Roberts Köşe detektörü LoG köşe detektörü Sigma=10

15 4-komşuluk; 8-komşuluk The Hough transform:
Objelerin sınırlarının elde edilmesi: Kontur çıkartma: 4-komşuluk; 8-komşuluk The Hough transform: θ Φ s x y s

16 Doğru ve eğrilerin Hough dönüşümü:
Doğru ve eğrilerin Hough dönüşümü: Yakınsama noktası yok=> Noktalar aynı doğru üzerinde değildir s Yaklaşık yakınsama=> yaklaşık düz çizgi Yatay eksende eğrinin yakınsaması=> Düz çizgi

17 3 doğrunun kesim noktası
Doğru parçaları yardımı ile kontur çıkartma Sol alt obje= 3 doğrunun kesim noktası ile tanımlanır Input görüntü Hough transform: Üçgenin konturları Köşe yakalama (gradient operator) + eşik değer => Binary görüntü 8 komşulukla kontur çıkartma 8-komşuluk- doğru işaretleme 4-komşuluk: İşaretlemede boşluklar oluşabilir

18 Genel varsayım: obje kontur kalınlığı 1 pikseldir
Kontur tanımlayıcılar: Amaçl: konturu ile verilen bir obje için doğru tanımlamanın yapılması : Kontur kayıpsız olarak elde edilir (regenerative descriptors) -Konturun şeklinin ölçek, dönüklük, öteleme, ayna tersliği, perspektif diatorsiyonundan etkilenmeyen tanımlarının üretilmesi Kontur tanımlayıcılar şablon eşlem ile şekli veya şekil sınıflandırıcılar olabilir (contour descriptors classification) Genel varsayım: obje kontur kalınlığı 1 pikseldir

19 Zincir kodları ve poligonal yaklaşım
Zincir kodları ve poligonal yaklaşım Original konturr kontur yaklaşımı(“quantization”) on a rectangular grid Konturun 8-komşulukla elde edilmesi, Start point

20 Fourier tanımlayıcılar:
yeni konturx'(n) y'(n), given by: Table 8.1

21 Fourier tanımlayıcı ile şekil rekonstrüksiyonu:
Orijinal İlk 2 tanımlayıcının kullanımı ile yeniden oluşturma İlk 6 tanımlayıcının kullanımı ile İlk 10tanımlayıcının kullanımı ile İlk 20 tanımlayıcının kullanımı ile

22 Eşleşmesonuçları: d<Thd
, A için öteleme u0, d mesafesi aşağıdaki koşulda min olur: burada a(k)b*(k)c(k)ejk,  -2n0/N ve c(k) real sayı. Şekil kütüphanesi Model şekil Eşleşmesonuçları: d<Thd

23 kare ağacı ile bölge tanımlama
Bölge çıkartma: konturlara benzer şekilde 4- veya 8- komşuluk kullanılır   kare ağacı ile bölge tanımlama

24 · İskelet çıkartma, ana eksen dönüşümü
8.23) (m,n) : uk(m,n)  uk(i,j) ,  (m,n;i,j) 1 (8.24) İskelet çıkartma Örnek iskeletler

25 ·        Morfolojik işlem

26 Fig. 8.17 Syntactical representation of an object

27 Şekil tanımlayıcılar Şekil tanımlayıcılar:
 Bir objenin şekli= objenin profili+ objenin yapısı=> “şekil tanımlayıcılar” Şekil tanımlayıcılar: (1) regenerative tanımlayıcılar (konturlar; bölgeler; yüksek düzeyli istatistikler; yapısal ve söz dizimsel tanımlayıcılar ) (2) geometrik şekil tanımlayıcılar (alan, çevre, mak-min çap, , perimeter, max-min radii, aykırılık, köşeler, , corners, eğriselik simeri) (3) Moment

28 Geometrik tanımlayıcılar:
x y dx dy x(t) x(t+1) y(t) y(t+1) Geometrik tanımlayıcılar: ·        Alan t –kontur parametresi - Discrete => T = kontur piksellerinin sayısı ·        Alan: R ve R – Obje bölgesi ve obje konturu - Discrete => A = Obje bölgesindeki kontur piksellerinin sayısı ·       Min-max çap, Rmin ve Rmax – objenin merkeznden olan min ve max mesafelerdir ( Rmax/ Rmin oranı objenin boyu ve uzunluğuna ilişkin ölçütü verir)   Rmax Rmin

29 · Eğrisellik ve kompaktlık:
compact necompact Kompakt Kompakt olmayan ·        Eğrisellik ve kompaktlık: a için-  minimum, =1. ·    Simetri: dönüklük ve ayna olmak üzere iki tür simetri söz konusudur Moment temelli özellikler: ·    Kitlenin merkezi: ·    (p,q) merkezsel momentleri:   ·     Yöneltme= En küçük momente ait eksenine ait açısı aşağıdaki şekilde  ya Bağlı olarak bulunur

30 Desenler Yapay desen Doğal desen
·        Desen=Bazı basityapıların görüntüde periyodik olarak tekrarlandığı alan; basit görüntü yapısına texel denir. Desen analizi yöntemleri: istatistiksel sınıflandırma; yapısal sınıflandırma ·       İstatistiksel sınıflandırma teknikleri: ·        Oto korelasyon fonksiyonu(ACF): Texel lerin mekânsal boyutları oto-korolasyon fonksiyonlarıyla orantılıdır ·   Desenin tanımlanmasına yönelik oto korelasyon fonksiyonunun dağılımının belirlenmesine yönelik farklı ölçüler kullanılır. Yapay desen Doğal desen

31  Image transforms based approaches: (8.41)
ACF “kum” ACF “yün”  Image transforms based approaches: (8.41) Fig Various masks in the frequency domain used for texture analysis

32 sicim Kum Ot  Köşe yoğunluğu – desen sınıflandırma için özellik
 Desen analizi için histogram özellikleri: => co-occurrence histogram: => co-occurrence histogram ile farklı özellikler çıkartılabilir: - Sabit obj.:   - Dağılımın ortalaması:   N0 – olası yönlerin sayısı. - dağılımın varyansı: - dağılımın yayılımı: Sobel Kum sicim Ot R=4, f=0

33  Rastgele doku modelleri

34 Görüntü bölütleme  piksel işaretleme. Region growing Eşik değer
Görüntü bölütleme Eşik değer Bileşen işaretleme  piksel işaretleme. Region growing 1) Local maxima detection 2) Local minima detection Lokal minimumda objeler bulunur Obje

35 Bölge-temelli bölütleme; bölge ve sınırlara göre bölütleme
Sınır-temelli görüntü bölütleme Bölge-temelli bölütleme; bölge ve sınırlara göre bölütleme Bölge birleştirme

36 Ayırma ve birleştirme algoritması: a input, b
Ayırma ve birleştirme algoritması: a input, b. Kare ağaçlar ile bölge ayırma c. Bölgelerin bölütlenmesi

37 b) Bölge temelli görüntü bölütleme
a) Original görüntü b) Bölge temelli görüntü bölütleme c) Ana objeler görüntüde konturları ile tanımlanmıştır


"Görüntü Analizi https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CBwQFjAA&url=http%3A%2F%2Fctmtc.utcluj.ro%3A8080%2Fsites%2Fpni%2FCourse%2FENG%2520%2528EA%2C%2520TST%2529%2520-%2520Conf.dr.ing.%2520M.%2520Gordan%2FCap" indir ppt

Benzer bir sunumlar


Google Reklamları