Download - ANALIZA IMAGINILOR - pub.ro
1
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
ANALIZA IMAGINILOR
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Cod curs: 04.S.08.A.127 - 5 puncte credit
Curs: 3 ore/ spatamanaLaborator: 2 ore/ 2 saptamani, cu subgrupa
Punctare: 70 puncte examen final21 puncte colocviu de laborator9 puncte prezenta laborator
(9 pct = 6 prez., 6 pct = 5 prez., 3 pct = 4 prez)
3 prezente obligatorii la laborator
Chestiuni administrative
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Titular curs :
Conf. Dr. Ing. Constantin VERTAN
B141
Laborator :
Ing. Marta ZAMFIR
B135A
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Bibliografie de baza
http://alpha.imag.pub.ro/cursuri
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
ANALIZA IMAGINILOR
Ce este, cum se leaga de prelucrarea imaginilor ….
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Sistemul tipic de prelucrarea imaginilor
Compunere la nivel logic(in sistemul de calcul):
AnalizaImbunatatire Restaurare Segmentare
Compresie
2
AnalizaImbunatatire Restaurare Segmentare
Segmentare:
Descompunereaimaginii (scenei)in partile saleconstituente.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
AnalizaImbunatatire Restaurare Segmentare
Analiza:
Descrierea partilor (obiectelor) din imagine si arelatiilor dintre ele; decizii/ clasificari …
De la obiecte la numere:
011 000 111 ….
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Caracteristicile pixelului
dimensiune
forma
imagine
kpozitie : linie, coloana
valoare(+ informatie de afisare)
legatura cu realitatea fizica
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Caracteristicile pixeluluiSunt valorile fizice masurate in scena relevante ?
Obiecte diferite sa fie caracterizate de aceleasi valori ale pixelilor ?
sau
Obiecte identice sa fie caracterizate de valori diferite ale pixelilor ?
depinde de ceea ce se achizitioneaza …..
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Caracteristicile pixelului
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Structura cursului
Segmentarea imaginilor
segmentarea orientata pe regiuni
segmentarea orientata pe contururi
Caracterizarea componentelor din imagini
descrierea regiunilor
descrierea contururilor
separareacomponentelorscenei (imaginii)
individualizarea(recunoasterea,identificarea)componentelorscenei (imaginii)
3
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Segmentarea orientata pe regiuni
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Segmentare
Descompunerea imaginii (scenei) in partile sale constituente.
Matematic: segmentarea este o partitionare a multimii pixelilordin imaginea f, in submultimi fi continand una sau mai multecomponente conexe, disjuncte si uniforme dpdv al unui criteriuC pre-stabilit.
0)ff(C1)f(C
ji,ff
ff
ji
i
ji
ii
=∪=
≠=∩
=
φ
�
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu desegmentare
imagineoriginala
imaginesegmentata:componentelesuntpseudocolorate
componenta 1
comp.2
comp.3
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu desegmentare
Segmentare : uniformitatea regiunilor
uniformitatea valorilor
uniformitatea unorcaracteristici,altele decatvaloarea[texturale]
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Texturi
4
Segmentare
Evident, segmentarea inseamna ca pentru fiecare pixel din imagine,in functie de valoarea acestuia (si poate si alte valori din imagine)si in functie de parametri specifici unui anume metode, sa se decidacare componenta din care respectivul pixel face parte.
Parametrii care particularizeaza o metoda generala pentru oanume imagine pot sa depinda
doar de valoare pixelilor
de valoarea pixelilor si de caracteristicide vecinatate ale pixelilor
de valoarea pixelilor, de caracteristicide vecinatate ale pixelilor si de pozitiain imagine
segm. globala
segm. locala
segm. dinamica
segm. adaptiva
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Categorii de tehnici de segmentare pe regiuni
Thresholding (segmentare pe histograma)
Cresterea si fuziunea regiunilor
Segmentarea in spatiul caracteristicilor (generalizare thresholding)
pentru regiuni cu uniformitate a valorilor
pentru regiuni cu uniformitate a caracteristicilor (texturi)
Marea problemaCate tipuri de obiecte (cate clase de obiecte) sunt in imagine ?
?
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Segmentarea orientata pe contururi
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Contur = frontiera unei regiuni; este format din pixeli in jurul caroracriteriul de uniformitate nu se mai respecta.
Contur = modificare (variatie) a valorilor pixelilor.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Descrierea (caracterizarea)regiunilor si contururilor
5
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Cum putem individualiza acest obiect printr-un set de numere ?
(mutam obiectul de studiu din domeniul functiilor binare cu suportin Z2 intr-un spatiu real de dimensiune n).
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Aplicatii posibile
sky is the limit ….
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding (segmentare pe histograma)
Presupunere esentiala : diversele categorii de obiecte din scenasunt formate din pixeli al caror nivel de gri (valoare) este relativconstanta.
Tip de obiecte = plaja ingusta de valori a pixelilor
Obiectele sunt caracterizate de grupuri de pixeli avand ouniformitate a valorilor.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding
Nivelul de gri (valoarea) pixelilor corespunde in scena unorproprietati fizice definitorii si discriminatorii pentru tipurile de obiecte.
Distributia proprietatii fizice masurate in scena este aproximata dehistograma imaginii.
Histograma - instrument de descriere a continutului scenei.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Histograma
Histograma = functie ce asociaza fiecarui nivel de gri posibilprobabilitatea [sa] de aparitie in imagine.
h(u) = numar pixeli de nivel de gri “u” / numar total pixeli
( ) 1L,...,1,0u,u)n,m(fMN
1)u(h1M
0m
1N
0n−=−= ��
−
=
−
= δ
Histograma este o functie de densitate de probabilitate.
�−
==
1L
0u1)u(h
Histograma descrie continutul “de culoare/ de gri” al imaginii.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Histograma
6
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Se poate face distinctia intre imagini intunecate / luminoase.
Histograma nu reflecta distributia spatiala a valorilor.
Histograma
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Se pot face presupuneri asupra numarului de tipuri de componente din imagine.
Histograma
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Histograma
Modurile histogramei corespund unor categorii de obiecte.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding
Segmentarea pe histograma (thresholding) inseamna determinareamodurilor din histograma si separarea lor.
Fiecare mod va corespunde unui tip de obiecte, caracterizate deplaje distincte (si relativ inguste) de nivele de gri.
Problema :cate moduri sunt ?
care este separatia dintre ele ?
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
C=3T1=40T2=100
C=4T1=40T2=100T3=190
Exemplu
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding
Presupunem cunoscut numarul de clase de obiecte din imaginein care se face segmentarea, C.
Presupunem ca am ales pragurile de separatie dintre modurilehistogramei, aceleasi pentru intreaga imagine (deci suntem incazul unei segmentari de tip global).
Presupunem ca nivelul de gri al pixelilor corespunde unei marimifizice discriminante.
Tuturor pixelilor ce apartin aceluiasi mod (au acelasi interval devalori) li se atribuie aceeasi eticheta de apartenenta la o clasa.
Dupa segmentare rezulta o imagine etichetata (sau harta a claselor).
7
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
gasirea “pragurilor” de separare dintre modurile histogrameide nivele de gri a imaginii.
Fie Tk pragurile de segmentare pe histograma.
g(m,n) = Ek, daca Tk ≤ f(m,n) ≤ Tk+1
Ek este eticheta ce se atribuie tipului de obiecte k
T0 = 0, TC = L, k = 0, 1, ..., L-1
Caz particular : C = 2 (binarizarea)
���
>≤
=TnmfETnmfE
nmg),(,),(,
),(1
0
Thresholding
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu de binarizare
C=2T=170
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Evident, alegerea pragurilor de segmentare Tk este cruciala.
obiecte foarte luminoaseobiectegri mediu
obiecteintunecate
T1 T2
Pragurile se aleg pe minimele histogramei (separatia dintre moduri).
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu Pentru inspectia de calitate a produselorse fac fotografii ale suprafetei acestora,cu imagini cu 1 pixel/ mm.
Petele de rugina nu trebuie sa depaseascaniste limite impuse. Cum se detecteazaaceasta ?
Rugina: culoare (nivel de gri) intermediar.
Fixam doua praguri care sasepare acest mod central:fie T1=80 si T2=150(pragurile sunt situate pe minimelehistogramei).
T1 T2
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu Imaginea segmentata: eticheta 1 pentrupixelii de rugina (mod central), eticheta0 pentru pixelii modului intunecat sieticheta 2 pentru pixelii modului alb.
Imaginea etichetata este afisata inmod pseudo-color: rosu pentru 0,albastru pentru 1, verde pentru 2.
Rugina = pixelii avand nivele de griintre 80 si 150, adica pixelii coloratiin albastru in imaginea etichetata,adica 62.2 % din imagine.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Exemplu
O bila alba de biliard este fotogafiata pe un fundal negru.Fotografia este esantionata pe o retea patrata cu spatierea pixelilorde 1 mm si este cuantizata pe 11 de nivele de gri. Histogramaimaginii este descrisa de vectorul :
(300, 3000, 9000, 3000, 800, 200, 300, 1127, 700, 300, 0).
a) Binarizati imaginea; care este valoarea pragului de segmentare ?b) Calculati raza bilei de biliard. c) Rezultatul ar mai fi credibil daca spatierea dintre pixeli ar fide 2 mm ?
8
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Observatie
Elementele partitiei determinate prin segmentarea pe histograma(deci multimile de pixeli ce au aceeasi eticheta) nu sunt multimiconexe (pot avea mai mult de o singura componenta).
Nu se poate face nici o distinctie intre componente conexe diferitedin aceeasi clasa (adica intre obiectele de acelasi fel din scena).
Individualizarea componentelor dintr-o aceeasi clasa se faceprin etichetare.
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding
Modalitati de alegere a pragurilor
Metode globaleMinimele histogrameiMetoda BhattacharryyaMetoda FisherMetoda OtsuMetoda Kittler-Illingworth
Metode globale cu cunostinte apriori
Segmentarea pe histograma cumulativaSegmentarea cu prag optim
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
C. VERTAN
Thresholding
Modalitati de alegere a pragurilor (cont.)
Metode locale
Folosirea histogramelor ponderate
Metode dinamice (adaptive)
Metoda Nakagawa