
- •«Обработка изображений и распознавание образов» Визильтер Юрий Валентинович Методическое пособие-2010
- •Раздел 2. Распознавание образов. 184
- •Уровни и методы машинного зрения
- •Растровое изображение Изображение как двумерный массив данных
- •Алгебраические операции над изображениями
- •Физическая природа изображений
- •Изображения различных диапазонов длин волн
- •Изображения различной физической природы
- •Тип пикселя
- •Возможности и особенности системы Pisoft
- •Базовые средства просмотра и анализа изображений и видеопоследовательностей
- •Алгебра изображений
- •Геометрические преобразования изображений
- •Устройства оцифровки и ввода изображений
- •Линейки и матрицы, сканеры и камеры
- •Геометрия изображения
- •Цифровые и аналоговые устройства
- •Пространственное разрешение
- •Программное обеспечение
- •Обработка цветных изображений
- •Цветовая модель rgb
- •Цветовая модель hsv
- •Цветовая модель yuv
- •Цветовая сегментация изображения
- •Гистограмма и гистограммная обработка изображений
- •Профиль вдоль линии и анализ профиля
- •Проекция и анализ проекции
- •Бинаризация полутоновых изображений
- •Сегментация многомодальных изображений
- •Выделение и описание областей
- •Выделение связных областей на бинарных изображениях
- •1. Отслеживающие алгоритмы на примере алгоритма обхода контура.
- •2. Сканируюющие алгоритмы.
- •Оконная фильтрация изображений в пространственной области
- •Фильтрация бинарных изображений Модель шума «соль и перец»
- •Структура оконного фильтра
- •Логическая фильтрация помех
- •Бинарная медианная фильтрация
- •Бинарная ранговая фильтрация
- •Взвешенные ранговые фильтры
- •Анизотропная фильтрация
- •Расширение-сжатие (простая морфология)
- •Стирание бахромы
- •Нелинейная фильтрация полутоновых изображений
- •Ранговая оконная фильтрация
- •Минимаксная фильтрация
- •Задача выделения объектов интереса
- •Бинарные фильтры для выделения объектов
- •Метод нормализации фона
- •Скользящее среднее в окне
- •Гауссовская фильтрация
- •Преобразование Фурье. Линейная фильтрация в частотной области
- •Преобразование Фурье
- •Комплексное представление преобразования Фурье
- •Быстрое преобразование Фурье
- •Двумерное преобразование Фурье
- •Свертка с использованием преобразования Фурье
- •Фильтрация изображений в частотной области
- •Вейвлет-анализ
- •Пирамида изображений
- •Вейвлет-преобразование
- •Операторы вычисления производных
- •Операторы вычисления векторов градиентов
- •Операторы Марра и Лапласа
- •Постобработка контурного изображения Локализация края
- •Утончение контура
- •Сегментация полутоновых изображений
- •Пороговая и мультипороговая сегментация
- •Методы слияния, разбиения и слияния/разбиения областей
- •Способы описания выделенных областей
- •Текстурные признаки
- •1.6. Морфологические методы анализа сцен (по ю.П. Пытьеву) Методы обнаружения объектов, заданных эталонами
- •Согласованная фильтрация.
- •Корреляционное обнаружение.
- •Морфологический подход ю.П. Пытьева.
- •Форма изображения как инвариант преобразований изображений, отвечающих вариациям условий регистрации
- •Сравнение изображений по форме
- •Выделение отличий изображений по форме
- •Обнаружение объекта по его изображению и оценка его координат
- •*Морфология на базе кусочно-линейной интерполяции
- •Преобразование Хафа для поиска прямых
- •*Различные способы параметризации прямых
- •Преобразование Хафа для поиска окружностей
- •Анализ аккумулятора при поиске геометрических примитивов
- •Обобщенное преобразование Хафа
- •*Специализированная процедура голосования для поиска эллипсов
- •*Рекуррентное преобразование Хафа в скользящем окне
- •1.8. Математическая морфология (по ж. Серра)
- •Морфологические операции на бинарных изображениях
- •Морфологические операции на полутоновых изображениях
- •Морфологическое выделение «черт» и объектов
- •Морфологический спектр
- •Морфологические скелеты. Непрерывная бинарная морфология Непрерывная бинарная морфология
- •Непрерывное гранично-скелетное представление изображения
- •Обработка и использование скелета
- •*Обобщенные скелетные представления бинарных фигур
- •Алгоритмы утончения дискретного бинарного изображения
- •*Регуляризация скелетов
- •Типы нерегулярностей скелета
- •Устранение нерегулярностей
- •Регуляризация скелета по Тихонову
- •*Селективные морфологии
- •Метод оптических потоков
- •Дифференциальный подход
- •Корреляционный подход
- •Частотный подход
- •Корреляционное слежение.
- •Форматы хранения и передачи цифровых изображений
- •Методы сжатия цифровых изображений
- •Формат bmp
- •Формат pcx
- •Формат gif
- •Формат tiff
- •Формат jpeg
- •Форматы хранения и передачи цифровых видеопоследовательностей
- •Формат avi
- •Формат mpeg
- •Форматы mpeg 1 и mpeg 2
- •Формат mpeg 4
- •Форматы mpeg 7
- •Раздел 2. Распознавание образов.
- •Обучение с учителем. Детерминированные методы, основанные на «близости». Линейные решающие правила. Метод построения эталонов. Метод ближайшего соседа. Метод k ближайших соседей.
- •Линейные решающие правила
- •Метод построения эталонов
- •Методы ближайших соседей
- •Параметрические и непараметрические методы
- •Дискриминантные и моделирующие методы обучения
- •Способность распознавателя к обобщению. Регуляризация.
- •Байесовская теория решений. Случай двух классов. Классификаторы, разделяющие функции и поверхности решений. Вероятности ошибок. Разделяющие функции для случая нормальной плотности.
- •Дискриминантный анализ. Линейный дискриминант Фишера. Персептронная функция критерия. Линейный дискриминантный анализ (lda, дискриминант Фишера)
- •Персептрон Розенблатта
- •Байесовское объединение свидетельств
- •Структурное распознавание
- •Автоматизированное конструирование алгоритмов обнаружения объектов на основе преобразований модельных описаний объектов.
- •Нейросетевое распознавание
- •Нейронные сети ассоциативной памяти. Сети Хопфилда.
- •Многослойные персептроны. Оптимизационное обучение. Метод обратного распространения ошибки.
- •Многослойные персептроны. Правило Хебба.
- •*Связь с байесовским распознаванием
- •Сети встречного распространения. Самоорганизующиеся сети.
Выделение отличий изображений по форме
Пусть
форма изображения
задана в виде оператора ортогонального
проецирования
на
и предъявляется некоторое изображение
.
Требуется указать, в чем состоит отличие
по форме изображения
от
.
Так как изображение
является наилучшим приближением
изображениями, сравнимыми по форме с
,
то изображение
представляет все то, что отличает
от
по форме.
Иллюстрация
эффективности такого способа выделения
отличий по форме представлена на рис.
6.2.2. На рис. 6.2.7 приведен еще один пример
выделения отличий по форме. Предъявлены
изображения двух сцен, приведенные на
рис.7 вверху, полученные при различных
условиях регистрации, требуется найти
различие в сценах. Изображение
слева внизу показывает отличие в яркостях
предъявленных изображений и не дает
возможности заметить отличие в сценах,
морфологическая разность
,
приведенная на рис. 6.2.7 справа внизу
выделяет область поля зрения, на которой
изображен объект, отсутствующий на
исходной сцене.
Обнаружение объекта по его изображению и оценка его координат
На практике большой интерес представляют задачи совмещения и выделения фрагментов заданной формы на предъявленном изображении. Пример такой задачи приведен во введении. Как известно, если отличие яркостей сравниваемых по форме фрагментов не сводится к однородному изменению их яркости и контраста, то в таких задачах широко распространенные корреляционные методы работают недостаточно эффективно.
Пусть
дано изображение
,
причем на подмножестве
поля зрения
имеется фрагмент
,
форма которого рассматривается как
эталон формы. Напомним, что функция
равна нулю вне множества
,
и равна единице на множестве
;
таким образом, яркость изображения
равна яркости изображения
на множестве
и равна нулю вне
.
Рассмотрим группу
преобразований плоскости
,
и
– множество преобразований из
,
таких, что
полностью содержится в области
,
если
.
Следует найти такое преобразование
,
чтобы фрагмент изображения
на подмножестве
был
близок по форме к фрагменту изображения
на подмножестве
.
Опишем эту задачу как рассмотренную
выше задачу сравнения формы двух
изображений, заданных на поле зрения
.
Определим
меру близости указанных фрагментов по
форме. Назовем формой фрагмента
изображения на подмножестве
множество
изображений, форма которых не сложнее,
чем форма любого изображения вида
,
где
– произвольное изображение. Иными
словами, форма изображения на
определяется как множество изображений,
яркость которых на
может быть получена преобразованиями
изображения
вида
,
где
пробегает по всему множеству
,
а на дополнении к
(на фоне) яркость изображения произвольна.
Проектор на это множество обозначим
.
Фрагмент
заданной формы на предъявленном для
анализа изображении
будет обнаружен, если
=
,
где
- проектор на множество
.
Для определения близости фрагментов
по форме обозначим
проектор на множество изображений,
форма которых не сложнее чем форма
любого из изображений вида
,
где
– произвольное изображение. Иными
словами,
- проектор на множество изображений,
яркость которых равных константе на
подмножестве
и произвольна вне его. Тогда близость
фрагмента предъявленного изображения
к форме фрагмента изображения
на подмножестве
определим значением дроби
.
Если
на изображении
фрагмент заданной формы расположен на
подмножестве
,
то сравнивать по форме на подмножестве
следует фрагменты изображений
и
,
где
Близость
фрагмента изображения
на множестве
к форме фрагмента изображения
на множестве
определим значением дроби
.
Пусть
- группа сдвигов плоскости
,
так, что при задании декартовых
прямоугольных координат любой вектор
преобразование
превращает в вектор
.
На рис. 6.2.4 приведены значения
,
обратные близости фрагментов по форме,
в зависимости от координат вектора
сдвига. Максимальное значение величины
определяет координаты вектора сдвига
плоскости, совмещающие близкие по форме
фрагменты изображений
и
.