Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров




НазваниеЗадача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров
Дата конвертации17.07.2013
Размер445 b.
ТипЗадача



Задача обобщенной сегментации цветных изображений и поиска ориентиров

  • Задача обобщенной сегментации цветных изображений и поиска ориентиров

  • Выделить на цветном изображении однородные части реальных объектов и построить их сжатое описание, содержащие описание формы и полутоновое и цветовое описания без индексирования точек массива изображения.

  • Обеспечить выполнение процедур в реальном времени на современных мобильных компьютерах.

  • Задача примыкает к исследованиям по сегментации цветных изображений и выделению объектов интереса (salient features).

  • Существенное отличие состоит в том, что мы не решаем задачу преобразования изображения в субъективно подобное, но использующее меньшие диапазоны цветов.



Изображение, задаваемое скалярной функцией интенсивности (черно-белое, инфракрасное, и т.д.)

  • Изображение, задаваемое скалярной функцией интенсивности (черно-белое, инфракрасное, и т.д.)

  • I. Локальная конструкция

  • Изображение разбивается на узкие горизонтальные (вертикальные) полосы.

  • Каждое множествo уровня интенсивности проектируется на горизонтальную (вертикальную) ось. Его проекция является набором отрезков на горизонтальной (вертикальной) оси. Каждому интервалу предписывается его мощность (число точек полосы, спроектированных на этот интервал.

  • В соответствие каждой полосе изображения ставится в соответствие множество интервалов на горизонтальной вертикальной оси координатной системы изображения. Каждому интервалу предписано определенное значение интенсивности и мощности.









Предложение. Описанное выше отрезковое описание полосы изображения может быть получено за один проход массива изображения полосы и сложность его получения линейно зависит от числа пикселов.

  • Предложение. Описанное выше отрезковое описание полосы изображения может быть получено за один проход массива изображения полосы и сложность его получения линейно зависит от числа пикселов.

  • Gi - множество интервалов, соответствующее i-ой полосе, называется геометризованной гистограммой этой полосы

  • G=Gi - объединение геометризованных гистограмм для всех полос называется глобальной геометризованной гистограммой изображения, соответствующей заданному разбиению изображения на полосы.

  • Если обозначить B конечное упорядоченное множество, нумерующее полосы, то мы можем рассмотреть проекцию

  • p: GB, слоями которой являются Gi .



ri (I, J) = L(I∩J)/Si (I, J) i = 1, 2;

  • ri (I, J) = L(I∩J)/Si (I, J) i = 1, 2;

  • S1(I, J) = max (L(I), L(J)),

  • S2(I, J) = min (L(I), L(J));

  • L(I), L(J), L(I∩J) - длины соответствующих отрезков;

  • di (I, J) =1 - ri (I, J) - соответствующие псевдо-метрики.



Цветовая компонента задается парой G/(G+B), G/(G+R) или G/(G+B), R/(R+B). Вместе с полутоновой компонентой I получаем систему координат G/(G+B), G/(G+R), I и G/(G+B), R/(R+B), I , где (R, G, B) координаты стандартного представления цветных изображений.

  • Цветовая компонента задается парой G/(G+B), G/(G+R) или G/(G+B), R/(R+B). Вместе с полутоновой компонентой I получаем систему координат G/(G+B), G/(G+R), I и G/(G+B), R/(R+B), I , где (R, G, B) координаты стандартного представления цветных изображений.

  • Пары G/(G+B), G/(G+R) и G/(G+B), R/(R+B) задают представление цвета эквивалентное представлению, задаваемому парой (H, S) (оттенок, насыщение), так как любая пара однозначно определяет любую внутреннюю точку цветового треугольника.

  • Необходимо построить геометризованную гистограмму для заданного распределения цветов (цветного изображения), т.е. необходимо построить расслоение отрезков аналогичное расслоению отрезков для скалярной функции интенсивности.

















Тривиальный способ: строится геометризованная гистограмма для компоненты G/(G+B) и дополнительно каждый интервал снабжается гистограммой распределения уклонения от среднего значения другого отношения, например G/(G+R), и дополнительно для каждого отрезка вычисляются верхнее и нижнее значение полутоновой компоненты.

  • Тривиальный способ: строится геометризованная гистограмма для компоненты G/(G+B) и дополнительно каждый интервал снабжается гистограммой распределения уклонения от среднего значения другого отношения, например G/(G+R), и дополнительно для каждого отрезка вычисляются верхнее и нижнее значение полутоновой компоненты.

  • Данный метод хорошо работает, например, на изображениях дорожных сцен на фоне растительности и плохо работает на сложных сценах со многими предметами разных цветов – объекты не различаются на уровне построения локальной геометризованной гистограммы.

  • Правильный метод состоит в учете обеих компонент G/(G+B) и G/(G+R) при построении системы отрезков локальной геометризованной гистограммы. Этот метод есть некоторая аналогия человеческой зрительной системы (теория Геринга трех стрелок измерительных приборов).



Рассмотрим случай G/(G+B) >= 0.5 (остальные случаи аналогичны). Пусть G/(G+B) принимает дискретные значения 0,…,k.

  • Рассмотрим случай G/(G+B) >= 0.5 (остальные случаи аналогичны). Пусть G/(G+B) принимает дискретные значения 0,…,k.

  • Если точка, определяемая парой G/(G+B), G/(G+R), имеет оттенок из желтой области, то расширенной функции CF=G/(G+B)ext присваивается значение G/(G+B). В случае если точка попадает в зеленой или красный диапазоны, значения G/(G+B)ext увеличиваются на k + 1 и 2(k + 1), соответственно.

  • Для CF строится система интервалов в полосе также как это делалось для G/(G+B) . Каждый интервал снабжается классической гистограммой уклонений значений G/(G+R) от среднего значения в точках полосы, соответствующих заданному интервалу, значением мощности интервала, и верхним, нижним и средним значением полутоновой компоненты.



Вводятся дополнительные значения CF, чтобы описывать объекты, которые имеют “наивный” белый, серый (светло-серый, темно-серый) и черный цвета. Кроме того темные но окрашенные компоненты интегрируются по аналогии с человеческим зрением.

  • Вводятся дополнительные значения CF, чтобы описывать объекты, которые имеют “наивный” белый, серый (светло-серый, темно-серый) и черный цвета. Кроме того темные но окрашенные компоненты интегрируются по аналогии с человеческим зрением.

  • Для каждой цветовой области устанавливаются свои правила (диапазоны значений полутоновой компоненты) принадлежности к определенному наивному цвету.

  • Данная процедура принудительным образом делает бесцветные компоненты однородными по отношению к полутону.

  • Темным компонентам присваиваются некоторые интегрированные цвета.



Полученные интервалы геометризованной гистограммы характеристической функции CF в зависимости от гистограммы уклонений оппонентного отношения (R/(R+B) или G/(G+R)) признаются однородными или неоднородными в цветовом отношении.

  • Полученные интервалы геометризованной гистограммы характеристической функции CF в зависимости от гистограммы уклонений оппонентного отношения (R/(R+B) или G/(G+R)) признаются однородными или неоднородными в цветовом отношении.

  • Аналогичная процедура проводится для определения полутоновой однородности с рассмотрением ширины полутонового и диапазона и уклонения среднего значения от верхней и нижней границ диапазона.



Определение заметных и незаметных цветов окрашенных интервалов.

  • Определение заметных и незаметных цветов окрашенных интервалов.

  • Основываясь на средних значениях и диапазонах численных характеристик окрашенных интервалов, их мощности, а также характеристик окружения по некоторым правилам определяется заметен ли сам интервал и его цвет.





Выбираются интервалы имеющие однородный заметный цвет и сами признанные заметными.

  • Выбираются интервалы имеющие однородный заметный цвет и сами признанные заметными.

  • Устраивается процедура выживания сильнейших интервалов. Интервалы бросаются на прямую и в каждой точке выживает сильнейший интервал (имеющий максимальную плотность). Данная процедура проделывается итеративно и в нескольких цветовых диапазонах. Интервалы упорядочиваются в зависимости от доли точек, в которых они выжили. Выжившие интервалы берутся как семена при построении кластеров. Кластеры строятся с помощью метрик, описанных выше.

  • Проводятся различные процедуры, устраняющие дублирование. Кластерам приписываются некоторые средние значения H (hue) и S (saturation) и I и диапазоны вариации их значений а также интервал на оси полосы.



Вершины графа STG – цветовые сгустки для всех полос разбиения изображения. Граф разбивается на несколько слоев, каждый слой соответствует цветовым сгусткам одной полосы.

  • Вершины графа STG – цветовые сгустки для всех полос разбиения изображения. Граф разбивается на несколько слоев, каждый слой соответствует цветовым сгусткам одной полосы.

  • Определяются соседние цветовые сгустки в одинаковых слоях (соответствующих одной полосе) и в соседних слоях (соответствующих соседним полосам). Сгустки являются соседними если их интервалы пересекаются или близки в смысле близостей, подобных приведенным выше.

  • Слева направо (или справа налево) строятся последовательности ребер графа STG. Каждый цветовой сгусток соединяется с соседним сгустком в соседнем слое имеющим наиболее близкие и сходные цветовые характеристики.



Вертикальные прямые соответствую горизонтальным полосам изображения с соответствующими номерами, окрашенные квадраты – цветовым сгусткам, отрезки прямых – ребрам графа.

  • Вертикальные прямые соответствую горизонтальным полосам изображения с соответствующими номерами, окрашенные квадраты – цветовым сгусткам, отрезки прямых – ребрам графа.



Строятся непрерывные системы сгустков окрашенных интервалов, которые соответствую путям на структурном графе таким, что каждый путь содержит по одной точке в каждом слое. По аналогии с теорией расслоений такие непрерывные системы называются сечениями.

  • Строятся непрерывные системы сгустков окрашенных интервалов, которые соответствую путям на структурном графе таким, что каждый путь содержит по одной точке в каждом слое. По аналогии с теорией расслоений такие непрерывные системы называются сечениями.

  • Глобальные окрашенные объекты-сечения используются как кубики, из которых складываются реальные окрашенные объекты в кадре. Геометрически глобальные объекты соответствуют связным компонентам ребер графа.

  • Более сложные многоцветные сложные объекты складываются из соседних окрашенных объектов.





















Система реализована в С++ (Visual Studio 2008) вместе со средствами сопряжения с вводом изображений из телекамер с использованием DirectX SDK.

  • Система реализована в С++ (Visual Studio 2008) вместе со средствами сопряжения с вводом изображений из телекамер с использованием DirectX SDK.

  • Скорость обработки для цветных изображений 640х480 8-10 fps, для изображений 320х240, в четыре раза быстрее. Однокомпонентные изображения обрабатываются в 6 раз быстрее цветных изображений.

  • Система имеет средства для работы через сеть, включая работу через Internet.





Выводы

  • Выводы

  • Разработан новый метод представления сцен, основанный на понятии геометризованной гистограммы, удобный для решения задач понимания изображений в реальном времени.

  • Основу представления данных составляет структурный граф, поставленный в соответствие любому цветному изображению.

  • Геометризованная гистограмма и структурный граф позволяют разделять и находить различные предметы на изображениях.

  • Предложенная техника дает подход к интерпретации цветовых характеристик объектов на изображении сходной с интерпретацией, выполненной человеком.

  • Разрабатывается система поиска ориентиров на изображениях, основанная на развитой технике.

  • Необходимо строить разные правила интерпретации, повысить точность используемых параметров, и организовать процедуру обучения с целью выбора оптимальных правил для разных классов изображений.



Похожие:

Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconАлгоритм: Алгоритм: Детектор граничных линий
В работе используется алгоритм Канни для изображений в оттенках серого и Дизензо-Кумани для цветных изображений
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconЗнакомство с принципами кодирования черно-белых и цветных растровых изображений знакомство с принципами кодирования черно-белых и цветных растровых изображений

Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconЗадача синтеза изображений
...
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconI. Алгоритмы поиска изображений звезд I. Алгоритмы поиска изображений звезд

Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconЗадача определения новых типов характерных точек и мест изображений и задача разработки алгоритмов их нахождения
Решаются задача определения новых типов характерных точек и мест изображений и задача разработки алгоритмов их нахождения
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconПоиск в сети Интернет Поиск в сети Интернет
Проверка применимости признака самоподобия локальных дескрипторов к решению задачи поиска изображений по содержанию
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconИсчерпывающего поиска
Есть ли способ …", "Существует ли объект…" и т п. Ответы на них, как правило, требуют исчерпывающего поиска в некотором множестве...
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconЗадача поиска всех кратчайших путей
Математические модели в виде графов широко используются при моделировании разнообразных явлений, процессов и систем
Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров iconМетоды на основе изображений с неявной геометрией позволяют понизить требования к количеству исходных изображений

Задача обобщенной сегментации цветных изображений и поиска ориентиров Задача обобщенной сегментации цветных изображений и поиска ориентиров icon«Требованиям к обеспеченности обучающихся высших учебных заведений Российской Федерации доступом к электронным научным и образовательным ресурсам» от 22 апреля 2011 год
Режим расширенного поиска предназначен для более тонкого, прицельного поиска учебников, глав, словарных статей, поиска по текстам,...
Разместите кнопку на своём сайте:
dok.opredelim.com


База данных защищена авторским правом ©dok.opredelim.com 2015
обратиться к администрации
dok.opredelim.com
Главная страница