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%2FCour.

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%2FCour."— 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%2FCour se%2FENG%2520%2528EA%2C%2520TST%2529%2520- %2520Conf.dr.ing.%2520M.%2520Gordan%2FCap8_Mihaela_Engleza.ppt&ei=bvYiVee9AZ PVaom_gaAJ&usg=AFQjCNEfdCasVyg- Yox9kC9Ya9l9ZqaauQ&sig2=_zOAwt9jBsMD3mNcin4BGQ&bvm=bv ,d.d2s

2 Görüntü Analizi 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 Introduction Görüntü analiz diyagramı Plaka tanıma

4 Yazı bulma Trafik işaret tanıma Kalsit konum belirlemeDoku analizi

5 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? 1)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 2)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 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 Histogram temelli özellikler: Lokal histogram = görüntünün lokal istatistiksel olarak tanımlanması Eşik değer penceresi lokal histogram ile doku analizi

9 Özellik çıkartma

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

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

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

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

17 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 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 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 yeniden oluşturma İlk 10tanımlayıcının kullanımı ile yeniden oluşturma İlk 20 tanımlayıcının kullanımı ile yeniden oluşturma …

22 , A için öteleme u 0, d mesafesi aşağıdaki koşulda min olur: burada a(k)  b*(k)  c(k)e j  k,  -2  n 0 /N ve c(k) real sayı. Şekil kütüphanesi Model şekil Eşleşmesonuçları: d

23 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) : u k (m,n)  u k (i,j),  (m,n;i,j)  1  (8.24) İskelet çıkartma Örnek iskeletler

25  Morfolojik işlem

26  Syntactical representation Fig Syntactical representation of an object

27 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:  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, R min ve R max – objenin merkeznden olan min ve max mesafelerdir ( R max / R min oranı objenin boyu ve uzunluğuna ilişkin ölçütü verir) x y dx dy x(t)x(t+1) y(t) y(t+1) R max R min

29  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 compactnecompact KompaktKompakt olmayan

30 Desenler  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) Fig Various masks in the frequency domain used for texture analysis ACF “kum”ACF “yün”

32  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: N 0 – olası yönlerin sayısı. - dağılımın varyansı: - dağılımın yayılımı: Sobel Kum sicim Ot R 

33  Rastgele doku modelleri

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

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

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

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


"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%2FCour." indir ppt

Benzer bir sunumlar


Google Reklamları