Osnove obdelave slike s primeri: Inspector.

Predstavitev na temo: "Osnove obdelave slike s primeri: Inspector."— Zapis predstavitve:

1 Osnove obdelave slike s primeri: Inspector

2 Obdelava slike Predobdelava slike Izboljšanje slike Obnavljanje slike
Analiza slike Iskanje robov Iskanje oglišč ....

3 Slika f(x,y) x M y 12 N Piksel Področje zanimanja 12

4 Predobdelava slike Napraviti sliko bolj primerno za nadaljnjo obdelavo
Vhodna slika Izhodna slika Predobdelava Napraviti sliko bolj primerno za nadaljnjo obdelavo V sistemih strojnega vida naj bi bilo predobdelave čim manj.

5 Predobdelava slike Izboljšanje slike Obnavljanje slike Izhodna Vhodna
slika Izhodna slika Predobdelava Izboljšanje slike Obnavljanje slike

6 Predobdelava slike Točkovne operacije: +,-,*,/, C = A- B
Vhodna slika Izhodna slika Predobdelava Točkovne operacije: +,-,*,/, C = A- B Lokalne operacije: filtriranje Globalne operacije: histogram

7 Predobdelava slike Točkovne operacije: Seštevanje slik:
popravimo razmerje signal/šum Odštevanje slik detekcija premika (spremembe) odštevanje ozadja

8 Predobdelava slike Popravljanje svetlosti: q = p + k q q p p Izhodni
nivoji sivosti p q p q Vhodni nivoji sivosti

9 Predobdelava slike Popravljanje kontrasta: q  k . p q q p p Izhodni
nivoji sivosti q q p p Vhodni nivoji sivosti

10 Predobdelava slike k(x,y) =  h(x,y) x f(u-x,v-x) Zmanjšati nivo šuma
Gaussov šum Impulzni šum Linerano filtriranje (Gaussov filter) Nelinearno filtriranje (medianin filter) k(x,y) =  h(x,y) x f(u-x,v-x)

11 Predobdelava slike Glajenje povprečenje uteženo povprečenje
filtriranje z Gaussovim filtrom

12 Predobdelava slike Povprečenje, uteženo povprečenje Npr. ‘maska’ 3 x 3
1 1 1 2 1 1 1 1 1 2 4 2 1 1 1 1 2 1

13 Predobdelava slike Smiselno je izkoristiti ločljivost jedra
g(x,y) * f(x,y) = g(x) * g(y) * f(x,y) Najprej filtriramo po stolpcih Nato po vrsticah 1 4 6 4 1 Diskretna aproksimacija Gaussa

14 Predobdelava slike Spreminjanje (ravnanje) histograma H(p) p

15 Upragovljenje t Izhod: Binarna slika Vhod: Sivinska slika

16 Iskanje robov Iskanje robnih točk
- spremebe svetlosti (vrednosti) slike - robne točke še niso obris Robna točka

17 Iskanje robov Robni operatorji Splošen postopek
Večina operatorjev deluje na podlagi (numeričnega) odvajanja Računanje prvih odvodov (gradienta) slike Računanje drugih odvodov (Laplace) slike (tudi DOF) Modela robov (Hueckel) Splošen postopek Filtriranje z Gaussovim filtrom primerne širine Numerično odvajanje (npr. računanje gradienta) Upragovljenje (po potrebi tanjšanje)

18 Iskanje robov Nekateri najbolj znani robni operatorji
Robertsov operator Prewittov operator Sobelov operator Cannyjev operator Iskanje prehodov skozi nič (Laplace Gaussa) Razlika Gaussov (DOF – Diff. Of Gaussians)

19 Iskanje robov

20 Sobelov operator Izhod: Vhod: Slika robnih točk Sivinska slika Sobel
-1 -2 1 2 -1 1 -2 2 -1 1 Izhod: Slika robnih točk Vhod: Sivinska slika Sobel

21 Nekateri drugi operatorji
-1 1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 -1 1 Roberts Prewitt

22 Canny-jev operator Kriteriji (J. Canny, 1983):
Dober odziv na rob v prisotnosti šuma ugodno ramerje signal/šum Dobra lokalizacija – maksimalen odziv na mestu pravih robov En odziv na robno točko

23 Canny-jev operator Postopek
Filtriranje z Gaussovim filtrom primerne širine Odvajanje v smeri x in y Iskanje lokalnih maksimumov (NMS, angl. Non-Maxima Suppression) Upragovljenje s histerezo (z dvema pragovoma, zgornjim in spodnjim)

24 Canny-jev operator Namesto slike odvajamo filter
Filtriramo z odvodom filtra Upoštevamo lastnost ločljivosti filtra

25 Canny-jev operator f - vhodna slika g(x)*f g(y)*f gy(y)*f gx(x)*f NMS
Velikost Smer NMS HT e – slika robov

26 Canny-jev operator

27 Canny-jev operator

28 Prostor ločljivosti Sliko filtriramo z več Gaussovimi filtri različnih širin Dobimo isto sliko na različnih stopnjah ločljivosti Poiščemo robne točke na vseh stopnjah Združimo rezultate z vseh stopenj ločjivosti

29 Iskanje oglišč (kotov)
Izračunamo odvode (e) v smeri x in y Izračunamo matriko C v neki okolici točke Izračunamo lastni vrednosti matrike C

30 Iskanje oglišč (kotov)
Točka (x,y) je oglišče, če sta obe lastni vrednosti dovolj veliki

31 Iskanje oglišč (kotov)

32 Houghov transform y = k.x + n Vhod: slika Izhod: Hugh transform

33 Houghov transform

34 Oblika Faktorji oblike kompaktnost podolgovatost ekscentričnost ……….
Izhod: faktor oblike Vhod: binarna slika

35 Momenti Številni primeri uporabe določanje lege določanje oblike ……….

36 Literatura E. Trucco, A. Verri,
Introductory Techniques for 3D Computer Vision, Prentice Hall, 1998. Matrox Inspector