procesarea imaginilor - utclujusers.utcluj.ro/~rdanescu/pi_c1.pdf · exemple de aplicatii...

Procesarea Imaginilor

(An 3, semesterul 2)

Curs 1: Introducere

Technical University of Cluj Napoca

Computer Science DepartmentIMAGE PROCESSING

Viziunea artificala

Vizunea artificiala (Computer Vision)?

Viziunea artificiala este un domeniu/disciplina care foloseste metode statistice

care infereaza date/informatie din imagini cu ajutorul metodelor

matematice/geometrice, fizicii, si a teoriei invatarii automate (machine learning)

Se bazeaza pe:

- Cunoasterea profunda a modelului camerei si al procesului de formare al

imaginii pentru a obtine inferente simple de la valorile pixelilor individuali pana

la combinarea informatiei de la imagini multiple pentru a obtine un tot unitar

coerent,

- Impunerea anumitor ordonari asupra unor grupe de pixeli pentru ai separa

intre ei sau pentru a infera informatia de forma si a recunoaste obiecte pe baza

trasaturilor geometrice.

Alte denumiri

• analiza de imagini (image analysis)

• analiza scenei (scene analysis)

• interpretarea imaginilor (image understanding)



Viziunea artificala

Disipline conexe

• Inteligenta artificiala (artificial intelligence)• Robotica (robotics)• Procesarea semnalelor (signal processing)• Recunoasterea de forme (pattern recognition)• Teoria controlului (control theory)• Psihologia (psychology)• Neurostiintele (neuroscience)

Subdomenii:

- Procesarea imaginilor- Recunoasterea formelor- Fotogrametria



Procesarea imaginilor

Procesarea imaginilor (Image Processing)

- Se ocupa cu studiul proprietatile imaginilor si cu transformarea acestora(imaginilor)

- Majoritaea algoritmilor de viziune artificala necesita procesareaimaginilor

Example de metode:

• imbunatatirea calitatii imaginilor (image enhancement) – printransformarea imaginilor: punerea in evidenta a detaliilorascune/obscure, a trasaturilor de interes

• compresia (reprezentare compacta a imginilor/secventelor pentrutransmisie)

• restaurarea (eliminarea elementelor de degradarecunoscute/modelabile)

• extragerea de trasaturi (localizarea anumitor sabloane – ex: muchii)



Viziunea artificiala

Domenii de cercetare:

• Detectia de trasaturi (Feature Detection)

• Representarea contrurelor (Contour Representation)

• Analiza imaginilor de profunzime (Range image analysis)

• Modelarea si reprezentarea formelor (Shape modeling and representation)

• Stereo viziunea (Stereo vision)

• Viziunea color (Color vision)

• Analiza miscarii (Motion analysis)

• Visunea active (Active/Purposive vision)

• Invarianti (Invariants)

• Detectia obiectelor (Object detection)

• Recunoastera obiectelor 3D (3D object recognition)

• Aritectura sistemelor de viziune (Vision architectures)




Domenii de aplicare

• Inspectie industriala / controlul calitatii (Industrial inspection/quality control)

• Inginerie inversa (reverse engineering)

• Supraveghere si securitate (Surveillance and security)

• Recunoastera fetei (Face recognition)

• Recunoasterea gesturilor (Gesture recognition)

• Monitorizarea traficului (Road monitoring)

• Aplicatii spatiale (Space applications)

• Analiza imaginilor medicale (Medical image analysis)

• Realitate virtuala, teleprezenta si telerobotica) (Virtual reality, telepresence, and telerobotics)

• Vehicule autonome (Autonomous vehicles)

• Cartografiere automata, achizitie automata de modele (Automated map making, model acquisition)




Date de intrare

- Imagini captate cu dspozitive de achizitie adaptate pentru intregulspectru frecventa al undelor eletromagnetice

- Imagini din spectrul vizibil – cele mnai folosite (accesibile)

- Alte surse de imagini: unde acustice, ultrasonice (ecografii)




Date de intrare

Reflectivitatea laser

Medium IR (Thermal)

Reflectivitatea RADAR

Spectrul vizibil



Exemple de aplicatii

Preprocesarea de imagini medicale (imbunatatirea calitatii)




Segmentare si analiza de imagini medicale




Recunoastere de tesuturi prin analiza texturii din imagini

medicale




Procesarea informatiei elastografice




Detectie obiecte si drum in scenarii de trafic



Lenses distortion correction

Left - 2D detection error: Undistort vs. Distort

-8.000

-6.000

-4.000

-2.000

0.000

2.000

4.000

6.000

1 2 3 4 5 6 7 8 9

Target no.

Err

or

[pix

els

[

ErrX

ErrY

8.5 mm lens, CCD camera

Distorted imageUndistorted image

Difference image



Lenses distortion correction

Distorted imageUndistorted image

Right - 2D detection error: Undistort vs. Distort

-1.000

-0.500

0.000

0.500

1.000

1.500

2.000

2.500

1 2 3 4 5 6 7 8 9 10

Point

Err

or

[pix

els

]

ErrX

ErrY

16 mm lens, CCD camera



Bibliografie curs

R.C.Gonzales, R.E.Woods, "Digital Image Processing-Second Edition", Prentice Hall,

2002.

E. Trucco, A. Verri, “Introductory Techniques for 3-D Computer Vision”, Prentice Hall,

1998.

W.K. Pratt, Digital Image Processing: PIKS Inside, Third Edition. 2001 John Wiley & Sons,

Inc.

G. X.Ritter, J.N. Wilson, Handbook of computer vision algorithms in image algebra - 2nd

ed, 2001 CRC Press.

A. Koschan, M. Abidi, Digital Color Image Processing, Wiley & Sons, 2008.

D. Forsyth, J. Ponce, Computer Vision. A Modern Approach, Prentice Hall, 2002.

L. G. Shapiro, G. C. Stockman, Computer Vision, Prentice Hall, 2001

Bibl. UTCN:

S.Nedevschi, "Prelucrarea imaginilor si recunoasterea formelor", Ed. Microinformatica,

1997.

Scot E, Umbaugh, “Computer Vision and Image Processing”, Prentice Hall, 1998.

Internet:

Milan Sonka, V. Hlavac, R. Boyle, “Image Processing, Analysis, and Machine Vision”,

Brooks and Cole Publishing, 1998.

http://www.icaen.uiowa.edu/~dip/LECTURE/lecture.html

Delft : http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip.html

⇒ ∞ etc.



Evaluare

Examen scris – 50% din nota (nota minima 5)

Laborator + proiect – 50% din nota (nota minima 5)

Prezenta la laborator/proiect – obligatorie!

Proiect – evaluare dupa fiecare faza de proiectare.

procesarea imaginilor - utclujusers.utcluj.ro/~rdanescu/pi_c1.pdf · exemple de aplicatii...

Documents