Содержание
- 2. На прошлой лекции… На прошлой лекции научились работать со структурами «с нулевой площадью» на изображении (с
- 3. Что такое сегментация? Анализ высокого уровня: отделение находящихся на изображении объектов от фона (и друг от
- 4. Автоматика и интерактивность Подразделяем Автоматическая Сегментация производимая без взаимодействия с пользователем Картинка на входе, регионы на
- 5. Применение сегментации Фото(видео)монтаж, композиция
- 6. Применение сегментации Измерение параметров объектов
- 7. Применение сегментации Предобработка перед высокоуровневым анализом
- 8. Определение сегментации 1 «Жесткая» сегментация Разбиение изображения на неперекрывающиеся области, покрывающие все изображение и однородные по
- 9. Рассмотрим семейства методов: Основанные на поиске краев Основанные на формировании однородных областей Метод водораздела / tobogganing
- 10. Автоматическая сегментация Как можно сформировать однородные области? Отталкиваясь от неоднородности на границах Пример – ищем резкие
- 11. Однородность Варианты однородности: По яркости По цвету По близости на изображении По текстуре По глубине (Если
- 12. Сегментация через поиск неоднородностей Наиболее простой и чаще всего используемый вариант: Поиск неоднородностей яркости через выделение
- 13. Алгоритм Найдём все контура на изображении алгоритмом Canny; Найдем все замкнутые контура; «Внутренности» замкнутых контуров являются
- 14. Сегментация через поиск однородных областей План Сегментация без учета пространственных связей Пороговая фильтрация Кластеризация по цвету
- 15. Пороговая фильтрация Разделение пикселей на n классов по их яркости Чаще всего используется 2 класса (бинаризация)
- 16. Гистограммы Гистограмма (одноканального изображения) – график распределения яркостей пикселей: На горизонтальной оси - шкала яркостей от
- 17. Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной яркости) полностью игнорируется Это
- 18. Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной яркости) полностью игнорируется Это
- 19. Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной яркости) полностью игнорируется Однако
- 20. Пороговая фильтрация Яркий объект на темном фоне Выбрать величину T разделяющую яркость объекта и фона Каждый
- 21. Как определить величину T? В каждом конкретном случае хотим уметь рассчитать правильный порог Вариант решения –
- 22. Автоопределение величины T Можно использовать следующее: 1. Предположение о яркости объектов 2. Размеры объектов 3. Площадь
- 23. Автоопределение величины T Метод P-tile: Если знаем (предполагаем) что объект занимает P% площади T устанавливаем так,
- 24. Расчет T путем последовательных приближений Частный случай алгоритма k-средних Выбрать порог T равным середине диапазона яркостей;
- 25. Поиск пиков в гистограмме Найти соседние локальные максимумы в гистограмме gi Рассчитать меру «пиковости» для gi
- 26. Мера «пиковости»
- 27. Зашумленность гистограмм 93 пика Это проблема – много «лишних» локальных максимумов
- 28. Сглаживание гистограмм Сглажено 1 раз 54 пика «Пиковость» проходят 18 2 раза 21 пика «Пиковость» проходят
- 29. Области найденные по пикам
- 30. Адаптивный порог Проблема: Яркость фона может быть разной в разных частях изображения Единый порог не подойдет
- 31. Адаптивный порог Для каждого пикселя изображения I(x, y): В окрестности пикселя радиуса r высчитывается индивидуальная для
- 32. Адаптивный порог r=7, T=0 r=7, T=7 r=75, T=10 Исходное
- 33. Адаптивный порог Другая формулировка Приближение фона усреднением Вычитание фона - I(x, y) – C(x,y) > T
- 34. Адаптивный порог Хорошо работает Когда размер искомого объекта заметно меньше размера оцениваемой окрестности Хуже работает, Когда
- 35. Кластеризация k-средних Способ определения нескольких порогов одновременно Нужно заранее знать k - количество диапазонов яркостей В
- 36. Алгоритм k-средних Случайным образом выбрать k средних mj j=1,…,k; Для каждого vi i=1,…,p подсчитать расстояние до
- 37. Пример кластеризации в 2D Исходные данные
- 38. Пример кластеризации в 2D Случайная инициализация центров кластеров (шаг 1)
- 39. Пример кластеризации в 2D Кластеры после первой итерации (шаг 2)
- 40. Пример кластеризации в 2D Пересчет центров кластеров после первой итерации (шаг 3)
- 41. Пример кластеризации в 2D Кластеры после второй итерации (шаг 2)
- 42. Пример кластеризации в 2D Стабильная конфигурация после четвертой итерации
- 43. k-средних для сегментации Если изображение одноканальное vi = I(x, y) – работаем в одномерном пространстве Получается
- 44. Алгоритм k-средних для одноканального изображения Случайным образом выбрать k средних mj j=1,…,k; Для каждого пикселя (x,y)
- 45. Сравнение k-средних с порогом по средней яркости Чем отличается сегментация с помощью k-средних на 2 кластера
- 46. Общие недостатки описанного Игнорируется пространственное расположение пикселей За исключением адаптивного порога, но и там соседство не
- 47. Понятие связности Определение связной области: Множество пикселей, у каждого пикселя которого есть хотя бы один сосед,
- 48. Разметка связных областей 1 1 2 2 2 1 1 2 2 2 3 4 4
- 49. Разрастание регионов (Region growing) Простая идея – начиная с некоторого “семени” обходить пиксели и объединять в
- 50. Что необходимо определить Критерий однородности Гистограмма содержит не больше 1 значительного пика Отклонение любого пикселя от
- 51. Пример δ = 1 Алгоритм разрастания регионов Среднее: 1 Среднее: 1.125
- 52. Алгоритм разрастания регионов Пример δ = 1
- 53. Разрастание регионов if |I(A) – Clavg(B)| > δ and |I(A) – Clavg(C)| > δ - создаем
- 54. Разделение областей Первый шаг – всё изображение это одна область, поместить область в стек Пока стек
- 55. Что необходимо определить 2 Правило разделения областей Распространенный вариант – на 4 части, как квадродерево Просто
- 56. Пример Алгоритм разбиения (split)
- 57. Первое разбиение Алгоритм разбиения (split)
- 58. Второе разбиение Алгоритм разбиения (split)
- 59. Третье разбиение Алгоритм разбиения (split)
- 60. Что необходимо определить 3 Правило разделения областей – более умно Найти в гистограмме пики, разделить гистограмму
- 61. Слияние областей Первый шаг – каждый пиксель это отдельная область, поместить все области в стек Пока
- 62. Алгоритм «фагоцита» Истаивание границ Убирает слабые границы «Слабость границ» определяется по разности яркостей граничных пикселей S1
- 63. Алгоритм «фагоцита» S1 S2
- 64. Алгоритм «фагоцита» Слить две области если: где P1 и P2 – периметры областей S1 and S2
- 65. Алгоритмы разбиения и слияния Недостатки: Разбиение Может дать слишком много регионов Если использовать квадродерево, границы скорее
- 66. Алгоритм разбиения/слияния (split and merge) Идея: Сначала провести разбиение на небольшие однородные области Обычно используется принцип
- 67. Слияние Алгоритм разбиения/слияния (split and merge)
- 68. Результат Алгоритм разбиения/слияния (split and merge)
- 69. Результат Сравним с разрастанием регионов
- 70. Сравним подходы Сегментация на основе областей В результате всегда замкнутые границы областей Использование многоканальных изображений (RGB,
- 71. Алгоритм водораздела (watershed) Идея метода: Вспомним – большие значения градиента соответствуют резким переходам на изображении Рассмотрим
- 72. Алгоритм водораздела Область водораздела, бассейн (catchment basin): область в которой поток из всех точки «стекает» к
- 73. Алгоритм водораздела Алгоритм, как и разбиение дает множество небольших регионов Очень чувствителен к шуму – ищет
- 74. Алгоритм «погружения» Алгоритм «погружения» (immersion) : Начнем с самых «глубоких» (темных) пикселей (они определят начальные бассейны)
- 75. Алгоритм tobogganing Идея: Из каждого пикселя «спускаемся» в локальный минимум среди его соседей Спускаемся до тех
- 76. Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63 68 106 137 164
- 77. Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63 68 106 137 164
- 78. Tobogganing и водораздел В зависимости от задачи можно анализировать само изображение абсолютную величину его градиента distance
- 79. Методы теории графов Теория графов – хороший инструмент для работы с изображениями Хорошая теоретическая база Много
- 80. Граф и изображение Изображение превращается во взвешенный неориентированный граф Пиксели – вершины графа Ребра – связи
- 81. Критерии «похожести» пикселей По расстоянию По яркости По цвету По текстуре
- 82. Создать граф Разрезать граф Каждую связную компоненту после разреза рассматривать как отдельную область Сегментация с помощью
- 83. Разрез графа G=(V,E) Непересекающиеся подмножества вершин A и B из V Удаляем все ребра, связывающие A
- 84. Разрез графа Разрез графа превращает граф в два несвязанных друг с другом подграфа
- 85. Разрез графа Если множества A и B не заданы заранее – разрезать граф можно по-разному: Минимальный
- 86. Минимальный разрез хорош не всегда На данном рисунке вес ребер графа показан расстоянием между вершинами
- 87. Нормализованный разрез графа (Normalized cut) Другая мера разреза – измеряет «похожесть» двух групп вершин, нормированную на
- 88. Минимальный нормализованный разрез Минимальный нормализованный разрез – разрез, превращающий граф в несвязный, с минимальной величиной NCut
- 89. Матрицы… D – диагональная матрица n x n: W is an n x n symmetrical matrix
- 90. Можно вывести что: При условиях: Если разрешить задача сводится к задаче на собственные значения:
- 91. Алгоритм сегментации c помощью normalized cuts Задать граф на изображении. Рассчитать матрицы W и D Решить
- 92. Пример:
- 93. Подытожим: Рассмотрели следующие методы Использующие края Edge-based Пороговой фильтрации Thresholding k-средних k-means Разрастания регионов Region growing
- 94. Анализ областей после сегментации Владимир Вежневец, Антон Конушин Александр Вежневец Курс – «Введение в компьютерное зрение»
- 95. Какие параметры формы областей помогут различить объекты на этом примере?
- 96. Свойства области Характеристики границы области См. предыдущую лекцию Площадь Кол-во «дырок» внутри Центр масс Периметр Компактность
- 97. Площадь Кол-во пикселей в области
- 98. Центр масс Центр масс:
- 99. Периметр и компактность Периметр - количество пикселей принадлежащих границе области Компактность Наиболее компактная фигура – круг,
- 100. Подсчет периметра области Пиксель лежит на границе области, если он сам принадлежит области и хотя бы
- 101. Дискретный момент mij области определяется следующим образом: - значение пикселя изображения Моменты
- 102. X Y 7 Площадь 20 33 159 Моменты инерции 64 93 Моменты
- 103. Центральные моменты Инвариантны к переносу Центр масс области
- 104. Центральные моменты
- 105. Ориентация главной оси инерции Главная ось Центр масс
- 106. Моменты Hu Инвариантны к повороту, переносу, скалированию
- 107. Пример
- 108. Инвариантные характеристики области Удлиненность, нецентрированность (эксцентриситет)
- 109. Цвет, яркость Цвет и яркость области тоже хорошие признаки. Варианты Гистограмма яркости, цветов в данной области
- 110. Немного о машинном обучении Мы рассмотрели сейчас методы «низкого уровня» Они анализируют небольшое кол-во «простой» информации
- 111. Задание Выдадим на следующей лекции Выполнятся будем на MATLAB Всем желающим получить задание нужно будет записаться
- 113. Скачать презентацию