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

... 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

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