
- •«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.
Комплексное представление преобразования Фурье
Кроме тригонометрической формы записи дискретного преобразования Фурье широко используется комплексное представление. Комплексная форма записи преобразования Фурье широко используется в многомерном анализе и в частности при обработке изображений.
Переход из тригонометрической в комплексную форму осуществляется на основании формулы Эйлера
,
.
Если входная последовательность представляет собой Nкомплексных чисел, то её дискретное преобразование Фурье будет иметь вид
,
а обратное преобразование:
.
Если входная последовательность представляет собой массив вещественных чисел, то для нее существует как комплексное, так и синусно-косинусное дискретное преобразование. Взаимосвязь этих представлений выражается следующим образом:
,
,
остальные N/2 значений преобразования являются комплексно сопряженными, и не несут дополнительной информации. Поэтому график спектра мощности дискретного преобразования Фурье симметричен относительноN/2.
Быстрое преобразование Фурье
Простейший
способ вычисления дискретного
преобразования Фурье (ДПФ) – прямое
суммирование, оно приводит к N операциям
на каждый коэффициент. Всего коэффициентов
N, так что общая сложность
.
Такой подход не представляет практического
интереса, так как существуют гораздо
более эффективные способы вычисления
ДПФ называемые быстрым преобразованием
Фурье (БПФ), имеющее сложность
.
БПФ применяется только к последовательностям,
имеющим длину (число элементов) кратную
степени 2. Наиболее общий принцип,
заложенный в алгоритм БПФ, заключается
в разбиении входной последовательности
на две последовательности половинной
длины. Первая последовательность
заполняется данными с четными номерами,
а вторая – с нечетными. Это дает
возможность вычисления коэффициентов
ДПФ через два преобразования размерностьюN/2.
Обозначим
,
тогда
.
Для
m<N/2 тогда
можно записать.
Учитывая, что элементы ДПФ с индексом
большим, чемN/2 являются
комплексно сопряженными к элементам с
индексами меньшимиN/2
можно записать
.
Таким образом, можно вычислить БПФ
длиннойN, используя два
ДПФ длиннойN/2. Полный
алгоритм БПФ заключается в рекурсивном
выполнении выше описанной процедуры,
начиная с объединения одиночных элементов
в пары, затем в четверки и так до конца.
Двумерное преобразование Фурье
Дискретное преобразование Фурье для двумерного массива чисел размера (MN) определяется следующим образом:
,
а обратное преобразование:
.
В случае обработки изображений компоненты двумерного преобразования Фурье называют пространственными частотами.
Важным свойством двумерного преобразования Фурье является возможность его вычисления с использованием процедуры одномерного БПФ.
,
Здесь
выражение в квадратных скобках есть
одномерное преобразование строки
матрицы данных, которое может быть
выполнено с одномерным БПФ. Таким
образом, для получения двумерного
преобразования Фурье нужно сначала
вычислить одномерные преобразования
строк, записать результаты в исходную
матрицу и вычислить одномерные
преобразования для столбцов полученной
матрицы. При вычислении двумерного
преобразования Фурье низкие частоты
будут сосредоточены в углах матрицы,
что не очень удобно для дальнейшей
обработки полученной информации. Для
перевода получения представления
двумерного преобразования Фурье, в
котором низкие частоты сосредоточены
в центре матрицы, можно выполнить простую
процедуру заключающуюся в умножении
исходных данных на
.
На рис. 3.3.16 показаны исходное изображение и его Фурье-образ.
@Рис. 3.3.16. Полутоновое изображение и его Фурье образ (изображения получены в системе LabVIEW).