12 марта 2002 г. (с) 2001Graphics & Media Lab Лекция 5 Обработка и анализ изображений В.Вежневец

12 марта 2002 г. (с) 2001Graphics & Media Lab Обработка и анализ изображений Обработка изображений Image processing Компьютерное (машинное) зрение Computer (machine) vision Компьютерная графика Computer graphics

12 марта 2002 г. (с) 2001Graphics & Media Lab Компьютерное зрение Цель – принятие решений о реальных физических объектах и сценах, основываясь на воспринимаемых изображениях. Получение информации из изображений Анализ и интерпретация полученной информации

12 марта 2002 г. (с) 2001Graphics & Media Lab Изображение Изображение оптическое – картина, получаемая в результате прохождения через оптическую систему лучей, распространяющихся от объекта, и воспроизводящая его контуры и детали. Физический энциклопедический словарь. Компьютерное представление изображения: Функция от двух переменных Используется дискретное представление

12 марта 2002 г. (с) 2001Graphics & Media Lab Информация, содержащаяся в изображении Полезная информация Информация низкого уровня Области однородные по некому признаку Границы однородных областей Цвет, форма области Информация высокого уровня Объекты, содержащиеся на изображении Ошибочная информация (шум)

12 марта 2002 г. (с) 2001Graphics & Media Lab Предобработка изображения Подготовка изображения к анализу Подавление и устранение шума Усиление и выделение полезной информации

12 марта 2002 г. (с) 2001Graphics & Media Lab Предобработка изображения Подавление и устранение шума Причины возникновения шума: Несовершенство измерительных приборов Хранение и передача изображений с потерей данных

12 марта 2002 г. (с) 2001Graphics & Media Lab Подавление и устранение шума Устранение шума в бинарных изображениях Широко известный способ - устранение шума с помощью операций математической морфологии: Сужение (erosion) Расширение (dilation) Закрытие (closing) Раскрытие (opening)

12 марта 2002 г. (с) 2001Graphics & Media Lab Устранение шума в бинарных изображениях Пример бинарного изображению с сильным шумом

12 марта 2002 г. (с) 2001Graphics & Media Lab Применения сужения к бинарному изображению с сильным шумом

12 марта 2002 г. (с) 2001Graphics & Media Lab Применения открытия к бинарному изображению с сильным шумом

12 марта 2002 г. (с) 2001Graphics & Media Lab Устранение шума в бинарных изображениях Пример бинарного изображению с дефектами распознаваемых объектов

12 марта 2002 г. (с) 2001Graphics & Media Lab Применения закрытия к бинарному изображению с дефектами объектов

12 марта 2002 г. (с) 2001Graphics & Media Lab Не лучший пример для морфологии Не во всех случаях математическая морфология так легко убирает дефекты, как хотелось бы…

12 марта 2002 г. (с) 2001Graphics & Media Lab Применения операции открытия

12 марта 2002 г. (с) 2001Graphics & Media Lab Подавление и устранение шума Устранение шума в полутоновых, цветных и бинарных изображениях с помощью медианного фильтра - выбор медианы среди значений яркости пикселей в некоторой окрестности. Определение медианы: Медианный фильтр радиусом r – выбор медианы среди пикселей в окрестности [-r,r].

12 марта 2002 г. (с) 2001Graphics & Media Lab Медианный фильтр Результат применения медианного фильтра с радиусом 5 пикселей. Результат применения медианного фильтра с радиусом в 7 пикселей к изображению с шумом и артефактами в виде тонких светлых окружностей.

12 марта 2002 г. (с) 2001Graphics & Media Lab Очистка изображения с помощью медианного фильтра Фильтр с радиусом 3x3

12 марта 2002 г. (с) 2001Graphics & Media Lab Быстрая реализация медианного фильтра Медианный фильтр считается дольше, чем операция свертки, поскольку требует частичной сортировки массива яркостей окрестных пикселей. Возможности ускорения: Делать несколько шагов быстрой сортировки до получения медианы Конкретная реализация для каждого радиуса (3x3, 5x5)

12 марта 2002 г. (с) 2001Graphics & Media Lab Усиление и выделение полезной информации Коррекция яркости изображения. Простое линейное преобразование:

12 марта 2002 г. (с) 2001Graphics & Media Lab Анализ информации, содержащейся в изображении Нас интересуют области однородные по некоторому признаку - например по яркости. Простейший случай – области, яркость который выше/ниже некоторого порога

12 марта 2002 г. (с) 2001Graphics & Media Lab Выделение связных областей Определение связной области: Область, каждый пиксель которой связан с одним из других пикселей, принадлежащих данной области. Связность пикселей: 4-связность8-связность

12 марта 2002 г. (с) 2001Graphics & Media Lab Разметка связных областей Бинарное изображениеРазмеченное изображение

12 марта 2002 г. (с) 2001Graphics & Media Lab Рекурсивная разметка связных областей 1 void Labeling(BIT* img[], int* labels[]) { // labels должна быть обнулена L = 1; for(y = 0; y < H; y++) for(x = 0; x < W; x++) if( (img[x][y] = = 1) && (labes[x][y] = = 0) ) { Fill(img, labels, x, y, L++); }

12 марта 2002 г. (с) 2001Graphics & Media Lab Рекурсивная разметка связных областей 2 void Fill(BIT* img[], int* labels[], int x, int y, int L) { if( (labels[x][y] = = 0) && (img[x][y] = = 1) ) { labels[x][y] = L; if( x > 0 ) Fill(img, labels, x – 1, y, L); if( x < W - 1 ) Fill(img, labels, x + 1, y, L); if( y > 0 ) Fill(img, labels, x, y - 1, L); if( y < H - 1 ) Fill(img, labels, x, y + 1, L); }

12 марта 2002 г. (с) 2001Graphics & Media Lab Разметка связных областей путем последовательного сканирования Последовательно, сканируем бинарное изображение сверху вниз, слева направо: if A = O do nothing else if (not B labeled) and (not C labeled) increment label numbering and label A else if B xor C labeled copy label to A else if B and C labeled if B label = C label copy label to A else copy either B label or C label to A record equivalence of labels Постобработка - переразметка с учетом эквивалентностей областей

12 марта 2002 г. (с) 2001Graphics & Media Lab Разметка связных областей путем последовательного сканирования Случай конфликта: Постобработка - переразметка с учетом эквивалентностей областей

12 марта 2002 г. (с) 2001Graphics & Media Lab Анализ формы связных областей Для каждой области можно подсчитать некий набор простейших числовых характеристик: Площадь Периметр Компактность Ориентацию главной оси инерции Удлиненность (эксцентриситет) На основе этих характеристик можно классифицировать получаемые области.

12 марта 2002 г. (с) 2001Graphics & Media Lab Анализ формы связных областей Площадь – количество пикселей в области; Периметр – количество пикселей принадлежащих границе области; Компактность – отношение квадрата периметра к площади; Наиболее компактная фигура – круг,.

12 марта 2002 г. (с) 2001Graphics & Media Lab Подсчет периметра области 1.Пиксель лежит на границе области, если он сам принадлежит области и хотя бы один из его соседей области не принадлежит. (внутренняя граница) 2.Пиксель лежит на границе области, если он сам не принадлежит области и хотя бы один из его соседей области принадлежит. (внешняя граница) Периметр зависит также от того 4-х или 8-ми связность используется для определения соседей.

12 марта 2002 г. (с) 2001Graphics & Media Lab Пример периметров области Область Внутренняя границаВнешняя граница

12 марта 2002 г. (с) 2001Graphics & Media Lab Статистические моменты области Дискретный центральный момент m ij области определяется следующим образом: n – общее количество пикселей в области

12 марта 2002 г. (с) 2001Graphics & Media Lab Инвариантные характеристики области Для распознавания нас интересуют характеристики инвариантные по отношению к масштабированию, переносу, повороту: Удлиненность, нецентрированность (эксцентриситет) Компактность

12 марта 2002 г. (с) 2001Graphics & Media Lab Ориентация главной оси инерции Не является инвариантной к повороту, но в ряде случаев предоставляет полезную информацию об ориентации объекта:

12 марта 2002 г. (с) 2001Graphics & Media Lab Пример изображения с подсчитанными характеристиками областей

12 марта 2002 г. (с) 2001Graphics & Media Lab Другие инвариантные характеристики области

12 марта 2002 г. (с) 2001Graphics & Media Lab Пример изображения для обработки