
- •«Обработка изображений и распознавание образов» Визильтер Юрий Валентинович Методическое пособие-2010
- •Раздел 2. Распознавание образов. 165
- •1.1. Задачи и приложения машинного зрения. Примеры практических приложений.
- •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 системыPisoft
- •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 модельRgb
- •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.
- •1.3. Фильтрация. Выделение объектов при помощи фильтров
- •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
- •1.9. Анализ движения. Выделение движущихся объектов. Разность кадров. Вычитание фона. Анализ оптических потоков. Слежение за движущимися объектами. Корреляционное слежение.
- •Обучение с учителем. Детерминированные методы, основанные на «близости». Линейные решающие правила. Метод построения эталонов. Метод ближайшего соседа. Методkближайших 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
- •Анализ свидетельств
- •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.
Расширение-сжатие (простая морфология)
Расширениемназывается итеративно применяемый к бинарному изображению максимальный фильтр с квадратной апертурой размера 33 пикселя. Соответственносжатиемназывается итеративно применяемый минимальный фильтр с той же апертурой 33. Параметром, определяющим свойства фильтрации, при этом считаетсяколичество цикловсжатия и расширения.
Фильтрация типа расширение-сжатие может применяться для удаления слабого шума типа соль-перец, однако в этом качестве она уступает медианной фильтрации. Однако основная область применения таких фильтров – удаление сложных неслучайных искажений формы фигур. Не даром изначально такой прием фильтрации был предложен для выявления дефектов типа «разрывов» и «перемычек» металлических дорожек на изображениях печатных плат в задачах технического и технологического контроля.
Рассмотрим геометрический смысл операций расширения и сжатия на примере обработки искусственного изображения (рис. 3.2.31), на котором представлен прямоугольный объект, имеющий «дефекты формы» типа внутренних «дырок» и внешних «выступов». Попробуем средствами расширения-сжатия удалить эти дефекты формы объекта.
@Рис. 3.2.31. Изображение с «дефектами» типа «дырок» и «выступов»
Начнем с удаления внешних «выступов» формы. Для этого используется последовательность операций расширение-сжатие. На первом этапе этой процедуры выполняется операция расширения светлого фона (т.е. сжатия темного объекта) с таким числом циклов, которое полностью удаляет («съедает») внешние «выступы» формы. Однако внешний размер объекта при этом уменьшается, а внутренние дефекты, напротив, увеличиваются в размерах, в связи с чем после этого необходимо выполнить сжатие фона (т.е. расширение объекта) с тем же числом циклов. В результате выполнения обоих этапов операции расширения-сжатия внешние размеры и форма объекта оказываются полностью восстановлены, но внутренние дефекты формы сохраняются (рис. 3.2.32, 3.2.33).
@Рис. 3.2.32. Результат сжатия @Рис. 3.2.33. Результат расширения после
объекта сжатия объекта (удаление внешних
«выступов» формы)
Рассмотрим теперь аналогичную технику удаления внутренних дефектов формы («дырок»). Для этого используется обратный порядок операций: сжатие-расширение. На первом этапе этой процедуры выполняется операция сжатия фона (т.е. расширения объекта) необходимым числом циклов, которое удаляет («заращивает») внутренние «дыры» и «каналы». Однако внешний размер объекта при этом увеличивается, внешние дефекты, также увеличиваются в размерах, в связи с чем после этого необходимо выполнить расширение фона (сжатие объекта) с тем же числом циклов. В результате выполнения всей операции сжатия-расширения в целом размеры и внутренняя целостность объекта оказываются восстановлены, но внешние дефекты формы сохраняются (рис. 3.2.34, 3.2.35).
@Рис. 3.2.34. Результат расширения @Рис. 3.2.35. Результат сжатия после
объекта расширения объекта (удаление
внутренних «дырок» формы)
Для того чтобы устранить и внешние и внутренние дефекты формы в данном примере необходимо сначала применить к исходному изображению (рис. 3.5.1) расширение-сжатие, а затем к результату этой операции – сжатие-расширение с тем же числом циклов (рис. 3.2.36, 3.2.37).
@Рис. 3.2.36. Результат расширения- @Рис. 3.2.37. Результат сжатия-расширения
сжатия после расширения-сжатия (полное
восстановление формы)
Операции расширения-сжатия представляют собой простейший эвристический вариант операций математической морфологии(Серра), которая будет подробно рассматриваться в главе 6 данной книги.