Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Infoszak|IpariKepfeldolgozasEllenorzo05}} TOC ==Ipari képfeldolgozás és megjelenítés Ellenőrző kérdések - 5. hét== ====1. Képek szegm…”

2012-10-21T20:38:05Z

Új oldal, tartalma: „{{GlobalTemplate|Infoszak|IpariKepfeldolgozasEllenorzo05}} __TOC__ ==Ipari képfeldolgozás és megjelenítés Ellenőrző kérdések - 5. hét== ====1. Képek szegm…”

Új lap

{{GlobalTemplate|Infoszak|IpariKepfeldolgozasEllenorzo05}}

__TOC__

==Ipari képfeldolgozás és megjelenítés Ellenőrző kérdések - 5. hét==

====1. Képek szegmentálásának fő csoportosítása====

Két alapvető tulajdonság analízisére alapul:

'''szintek hasonlósága:'''
* küszöbözés
* régió növelés
* régió szeletelés és növesztés

'''diszkontinuitás:'''
* pontok,
* vonalak,
* élek detektálása

Statikus és dinamikus képeken egyaránt értelmezhető a szegmentálás

====2. Küszöbözés fogalma, globális lokális és dinamikus küszöbözés====

* f(x,y) - a kép x,y koordinátáknál mért intenzitása
* p(x,y) - pont lokális tulajdonsága (pl x,y központú szomszédság átlaga)
* g(x,y) a küszöbözött kép: g(x,y) = { 1 ha f(x,y) > T, 0 ha f(x,y) <= T }.
* Ha T csak f(x,y)-tól függ: globális küszöbözés
* Ha T csak f(x,y)-tól és p(x,y)-tól akkor lokális
* Ha T függ x,y-tól is akkor dinamikus

Globális küszöbözés lehet az is, ha pl. egy globális hisztogram tulságai (medián stb.) alapján határozzuk meg a később felhasználandó küszöbértéket. (Ez csak akkor működik jól, ha mi befolyásoljuk a megvilágítás körülményeit.)

====3. Magyarázza meg a megvilágítás hatását a képek szegmentálására====

Az f(x,y) képet r(x,y) reflexió és i(x,y) világítás szorzata állítja elő. Ebből jellemzően csak a reflexió hordoz értékes információt, azonban a hisztogram "tisztaságát" megzavarja a megvilágítás, ha nem egyenletes.

====4. Optimális küszöb meghatározása kétmódusú hisztogramon Gauss eloszlás esetén====

Lépései:
* unimodális részek elnyomása
* normális eloszlás közelítése
* binarizálás

Vesszük a képnek tehát egy hisztogramját, ami két csúcsot tartalmaz: az egyik az objektumnak (előtér), a másik a háttérnek felel meg. Modellezzük ezek eloszlását Gauss-eloszlással! Így aztán bárhol húzzuk meg a határt, lesznek olyan esetek, amikor objektumot háttérnek vagy fordítva: hátteret objektumnak kategorizálunk, a gauss-ok ugyanis átlógnak egymásba. Célunk a félrekategorizálás összvalságének csökkentése.

Legyen a hisztogram p(z), ami az előtér és a háttér eloszlásának összegeként keletkezik:

<math> p(z) = P_f p_f(z) + P_b p_b(z) </math>

ahol <math> P_f </math> annak a valószínűsége, hogy egy pont az előtérbe tartozik, <math> P_b </math> pedig azé, hogy a háttérbe. A kisbetűs p-k pedig az ezekhez tartozó sűrűségfüggvények:

<math> p_f(z) = \frac{1}{\sqrt{2 \pi} \sigma_f} e^{\frac{- (z - \mu_f)^2}{ 2 \sigma_f}} </math>

ugyanígy a háttérre is.

Legyen T a küszöbértékünk úgy, hogy ez a két eloszlás átlaga, <math>\mu_f</math> és <math> \mu_b</math> között helyezkedjen el (és legyen az előtér átlaga nagyobb, mint a háttéré). Annak a valsége, hogy objektumot háttérnek kategorizálunk:

<math> P_{fn}(T) = \int_{\infty}^{T} p_b(z) dz </math>

Mindez hasonlóan a másik esetre (false positive) is kiszámítható (ha pozitívnak az objektumot vesszük). Ha mindkét irányú hiba azonosan rossz, akkor az összvalséget akarjuk minimalizálni:

<math> \frac{d(P_{fn} + P_{fp})}{dT} = 0 </math>

Ebből aztán ocsmány dolgok állhatnak elő, mindenesetre ha feltesszük, hogy háttérből ugyanannyi van, mint előtérből (azonosak a valségeik), akkor pont kijön, hogy az átlagok középértéke a jó.

====5. Többváltozós (színes) képek küszöbözése, alkalmazási példák====

''???''

====6. Régióorientált szegmentálás matematikai modellje====

* <math>\bigcup_{\forall i}(R_{i}) = R</math> => azaz a szegmentálás teljes
* <math>R_{i}</math> összefüggő minden i-re
* minden i-re <math>P(R_{i})</math> => azaz a régiók homogének (a homogenitási kritérium szempontjából)
* minden <math>i \neq j</math>-re <math>not(P(R_{i} U R_{j})</math> => azaz régiók nem vonhatók össze

====7. Régiónövelés módszere====

'''Algoritmus-vázlat:'''
* 0. Kitüntetett gyökérpont kiválasztása és hozzáadása a régióhoz
* 1. A (még vizsgálatlan) szomszédos pontok vizsgálata a homogenitási kritérium segítségével
** a. Ha teljesül a kiegészített régióban is a homogenitási kritérium� új pont felvétele a régióba
** b. Ha nem teljesül --> pont eldobása
* 2. Ha volt újonnan felvett pont --> rekurzív folytatás a 1. lépéstől

Ha minden pontot megvizsgáltunk, vagy nem tudtuk új ponttal kiegészíteni a régiót, akkor az adott régió elkészült.

Ha van még jelöletlen (egy régióhoz sem tartozó pont)  új gyökérpont választásával az algoritmus elölről kezdődik

====8. Split and merge szegmentálás====

'''Algoritmus vázlat:'''
* 0. Init:� Kezdetben egy nagy régió
* 1. Split: �Homogén a régió?
** TRUE: A régió készen van
** FALSE: A régiót felosztjuk 4 részre, majd rekurzíven az 1. lépés minden új régióra
* 2. Merge: �Ha Ri és Rj szomszédos régió és (Ri U Rj) homogén, akkor a két régió összevonásra kerül

====9. Nagyfrekvenciás tulajdonságokra épülő szegmentálás====

* Az objektumokat azért tudjuk megkülönböztetni a környezetétől, mert éles átmenet határolja őket
* A régióorientált módszerek esetén a „kitöltő-algoritmus” nem tudott áthatolni ezeken az átmeneteken --> így keletkeztek a régiók
* „Fordított hozzáállás” --> keressük meg közvetlenül ezeket a határátmeneteket és ebből következtessünk az objektumokra
* Ezek az éles átmenetek: az '''élek'''

====10. Hough transzformáció====

* '''Feladata:''' egyszerű formák keresése, mint egyenesek, körök, ellipszisek
* Egyeneseket illeszt, nem szakaszokat
* Előkészítő lépések:
** Élkeresés
** Binarizálás
** Szűrés

Egyenesekre a legegyszerűbb: a (2D-s) képet egy "paramétertérbe" transzformáljuk, ahol minden pont az eredeti képen egy egyenesnek felel meg. A transzformált koordináták az egyenesek meredekségét (m) és eltolását (b) mérik. Ez a reprezentáció nem szerencsés függőlegest közelítő egyenesekhez, inkább például az irányszög (theta) és az origótól való távolság (r) paraméterek használandók.

A (binarizált) kép előterének egy pontja potenciálisan része lehet (végtelen) sok, rajta átmenő egyenesnek. Meghatározott darabszámú (pl. fokonként, összesen 360 darab) ilyen egyenes paramétereinek megfelelő pont (m és b, vagy r és theta) értékét növeljük a paramétertérben. Miután az összes előtérpont leszavazott, azok a legvalószínűbb egyenesek, amelyek paramétereire a legtöbb szavazat érkezett: hiszen a képen lévő 'valódi' egyenesek paramétereire optimális esetben minden ráeső pont szavazott.

Képpel, szépen elmagyarázva: [http://en.wikipedia.org/wiki/Hough_transform Wikipédia cikk].

-- [[KovacsBalazs|OBrien]] - 2009.03.24.

[[Category:Infoszak]]

IpariKepfeldolgozasEllenorzo05 - Laptörténet

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Infoszak|IpariKepfeldolgozasEllenorzo05}} __TOC__ ==Ipari képfeldolgozás és megjelenítés Ellenőrző kérdések - 5. hét== ====1. Képek szegm…”

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Infoszak|IpariKepfeldolgozasEllenorzo05}} TOC ==Ipari képfeldolgozás és megjelenítés Ellenőrző kérdések - 5. hét== ====1. Képek szegm…”