- •Список вопросов по курсу
- •1. Этапы формирования изображения. Оптическая система, сенсор, изображение в виде файла данных.
- •2. Типы (цветное, оттенки серого, черно-белое) и форматы записи изображений.
- •3. Оптический спектр, длины волн видимого света. Спектр излучения абослютно-черного тела, спектр солнца. Цветовая температура. Поглощение света в атмосфере.
- •4. Отражающая способность. Спектр на изображении с учетом освещения, поглощения и отражающей способности.
- •5. Тристимулус. Цветовые схемы rgb и cmyk. Особенности применения, переход от одной схемы к другой.
- •6. Спектральная чувствительность человеческого глаза. Суммарно-разностные схемы. Болезни связанные с цветовосприятием (примеры нарушения цветовосприятия)
- •9. Контраст изображения. Мтf, методы измерения.
- •8. Связь апертуры объектива, глубины резкости и фокусного расстояния. Краткий ответ (основная мысль)
- •Развернутый ответ для зачета
- •11. Контраст изображения. Гамма – коррекция, применение.
- •12. Выравнивание гистограммы. Построение функции преобразования s(r)
- •13. Пространственная фильтрация. Маска изображения. Свертка изображения с маской. Низко, средне и высокочастотная фильтрация.
- •14. Типы пространственных фильтров: равномерный и Гауссов фильтр. Сравнение на примере высокочастотного фильтра с различным размером маски (3х3, 7х7, 31х31)
- •Размер 3x3:
- •Размер 7x7:
- •Размер 31x31:
- •15. Виды шумов на изображении: Гауссов, периодический, соль-перец и д.Р. И их функции распределения.
- •16. Применение арифметического, медианного, Гауссова, контргарамонического фильтра для удаления шумов.
- •17. Лапласиан, применение для повышения резкости изображения. Нерезкое маскирование. Примеры пространственных фильтров для реализации Лапласиана
- •18. Выделение линий на изображении. Применение градиента. Фильтр Собола. Выделение линий различной ориентации.
- •19. Сегментация изображений. Методы сегментации.
- •20. Перцептрон. Примение для классификации. Ограничения. Обучение.
- •21. Модель нейрона. Функции активации. Преимущества и недостатки различных фунций активации.
- •2. Функции активации (рассмотренные в материале)
- •3. Преимущества и недостатки (на основе материала)
- •22. Многослойные сети. Полносвязная сверточная сеть (fcnn).
- •23. Уравнение обратного распространения. Матричная запись уравнений
- •24. Методы обучения нейронных сетей.
- •25. Сверточная нейронная сеть. Особенности, преимущества.
- •Структура сверточных нейросетей
- •Как работают сверточные нейронные сети
- •26. Глубокая сверточная нейронная сеть. Пример применения на основе распознавания цифр.
- •2. Архитектура LeNet как пример cnn
- •3. Пример применения: распознавание цифр (почтовых индексов)
- •Детали примера:
18. Выделение линий на изображении. Применение градиента. Фильтр Собола. Выделение линий различной ориентации.
Выделение контурных линий на изображении — это процесс обнаружения границ объектов или изменений интенсивности на изображении, что позволяет выделить важные структурные элементы.
Методы обработки в спектральном пространстве для выделения контурных линий:
Преобразование Фурье: Преобразование Фурье позволяет перейти от пространственного представления изображения к его частотному представлению. Высокие частоты в спектре изображения соответствуют границам и текстурным элементам, что делает его полезным для выделения контурных линий.
Фильтрация в частотной области: Применение фильтров, таких как фильтр Гаусса или фильтр с высокочастотной подавленной областью (High-pass filter), может подчеркнуть высокочастотные компоненты, соответствующие контурным линиям.
Спектральные методы обнаружения границ: Методы, основанные на анализе частотного спектра изображения, могут использоваться для обнаружения переходов яркости, которые указывают на наличие контурных линий.
Процесс выделения контурных линий в спектральном пространстве:
Шаг 1: Преобразование изображения в частотное пространство с помощью преобразования Фурье.
Шаг 2: Подчеркивание высокочастотных компонентов, используя фильтрацию или анализ частотного спектра.
Шаг 3: Обратное преобразование Фурье для возвращения обработанного изображения в пространственное представление.
Шаг 4: Применение пороговой обработки или других методов для выделения и усиления контурных линий.
Градиент в компьютерном зрении — это направленное изменение яркости или цвета в изображении. Он используется для извлечения информации о границах, текстурах, особенностях объектов и для оптимизации алгоритмов обработки изображений.
Границы на изображениях характеризуются резким изменением значений пикселей по краю. Значение пикселя резко возрастает или падает по краям. Это означает, что существует высокая скорость изменения значения по мере продвижения к границе изображения.
Различные методы: градиенты Собеля, Шарра и Лапласа. Градиент показывает интенсивность скорости изменения значений пикселей при перемещении по изображению. Градиент высокий на краях и острых точках
Фильтром Собеля , используется в обработке изображений и компьютерном зрении , в частности, в алгоритмах обнаружения границ , где он создает изображение, подчеркивающее границы.
Оператор использует два ядра 3×3, которые свертываются с исходным изображением для вычисления приближений производных – одно для горизонтальных изменений, а другое для вертикальных. Если мы определим A как исходное изображение, а Gx и Gy – два изображения, которые в каждой точке содержат приближения горизонтальной и вертикальной производных соответственно.
- примменив G, можно
найти модуль градиента изображения.
Фильтр Собеля сам по себе даёт общее выделение всех линий (через модуль градиента). Но для выделения линий конкретной ориентации можно использовать: - Использование ориентационных ядер Собеля (Можно свернуть изображение с ядром, настроенным на конкретный угол. Например, для линии + 45 градусов) Фильтр Собеля - эффективный способ выделения линий через градиент. Изменяя соотношение компонент Gx и Gy или используя повернутые ядра, можно избирательно выделять линии заданной ориентации (вертикальные, горизонтальные, диагональные)
