1 / 80

Élek detektálása

Élek detektálása. Vámossy Zoltán 2004 (Gonzales, Woods, Forsyth, Rehg, Hanson, Trucco, Verri, Thrun, Bradski anyagai alapján). E. Trucco, A. Verri: Introductory techniques for 3-D Computer Vision (Prentice Hall 1998). Vámossy Zoltán (Umeai Egyetem – Finnország) előadásai alapján.

declan
Download Presentation

Élek detektálása

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Élek detektálása Vámossy Zoltán 2004 (Gonzales, Woods, Forsyth, Rehg, Hanson, Trucco, Verri, Thrun, Bradski anyagai alapján)

  2. E. Trucco, A. Verri:Introductory techniques for 3-D Computer Vision (Prentice Hall 1998) Vámossy Zoltán (Umeai Egyetem – Finnország)előadásai alapján

  3. 2. előadás • 4. fejezet (pp. 67-94) • Jellemzők detektálása (Feature detection) • Élek (Edges) • Sarokpontok (Corners) • 5. fejezet (pp. 95-121) • Jellemzők osztályozása (Feature classification) • Vonalak – szakaszok (Lines) • Görbék (Curves) • Ellipszisek (Ellipses) • Deformálható kontúrok (Deformable contours)

  4. Élek (edges) • Mit értünk él alatt? • Élek olyan pixelek, ahol, vagy ami körül a kép intenzitás-értékei erőteljesen megváltoznak

  5. Általános jellemzők #1: élek (edges) B A C D • A: Hirtelen mélységi változás (discontinuity) • B: Felület normálisának változása • C: Megvilágítás változása: árnyékok, világítás változás • D: Visszaverődésben változás: felület tulajdonság, jelek

  6. Miért fontosak számunkra az élek? • A legtöbb elem, objektum, vagy azok árnyékai éleket generálnak • Az élek megtalálásával sokszor az objektum alakját és helyét meg tudjuk határozni

  7. Tipikus élprofilok • Ugrás • Rámpa • Gerinc • Tető • Vonal

  8. Hogyan találhatunk éleket?

  9. Élkeresés 101 im = imread('bridge.jpg'); image(im); figure(2); bw = double(rgb2gray(im)); image(bw); gradkernel = [-1 1]; dx = abs(conv2(bw, gradkernel, 'same')); image(dx); colorbar; [dx,dy] = gradient(bw); gradmag = sqrt(dx.^2 + dy.^2); image(gradmag); colorbar colormap(gray(255)) colormap(default)

  10. Az éldetektálás lépései • Zajcsökkentés (Noise reduction) • Élkiemelés (Edge enhancement) • Éldetektálás (Edge detection) • Éllokalizálás (Edge localisation)

  11. Éldetektálók • Canny éldetektáló* • Roberts éldetektáló • Sobel éldetektáló* • Prewitt éldetektáló • Kirsch éldetektáló • Laplace éldetektáló és a LoG (Marr-Hildreth) • Susan él-, sarokpont detektáló • Haralick módszere *: a könyvben csak ez van

  12. Definiciók • Él-normális = merőleges az élre, a maximális intenzitás-változás iránya, N(i, j)  I(i, j) • Él-irány = az él iránya, merőleges a normálisra • Él-pozíció = ahol a képen elhelyezkedik az él • Él-erősség = megmutatja mennyire „jó” egy él. Nagy változás -> nagy erősség

  13. Él-irány, él-normális

  14. Változás detektálás • Kép deriváltja • Differenciáló szűrők Hátrafele differencia [-1 1] [1 -1] Előrehaladó differencia [-1 0 1] Központi differencia

  15. Deriváltak, differenciák 2D-ben • Definició • Közelítés • Konvoluciós magok

  16. Kép deriváltak Image I

  17. Élnormális megjelenítése figure(5); hold on; image(smooth); colormap(gray(255)); [m,n] = size(gradmag); edges = (gradmag > 0.3 * gmax); inds = find(edges); [posx,posy] = meshgrid(1:n,1:m); posx2=posx(inds); posy2=posy(inds); gm2= gradmag(inds); sintheta = dx(inds) ./ gm2; costheta = - dy(inds) ./ gm2; quiver(posx2,posy2, gm2 .* sintheta / 10, -gm2 .* costheta / 10,0); hold off;

  18. Prewitt és Sobel éldetektálás • Kevésbé zajérzékeny (3x3 maszk jobban eltünteti a zajokat) • A nagyobb maszkméret miatt a meredek élek több pixel szélesen jelentkeznek • Főbb lépések • Input: Kép és küszöb • Képszűrés • Gradiens nagyság számolása • Küszöbölés

  19. Sobel operátor Edge Magnitude = 2 2 S1 + S2 S1 tan-1 S2 Edge Direction = -1 -2 -1 0 0 0 1 2 1 -1 0 1 -2 0 2 -1 0 1 S1= S2 = Él-erősség, él-irány:

  20. Prewitt éldetektor image blurred élekx Differenciáló szűrő x irányban átlagolás x irányban and results image blurred élek y Differenciálás Y irányban Átlagolás y irányban results and

  21. Sobel éldetektáló image blurred Élek x átlagolás x irányban Differenciáló szűrő x irányban and results image blurred éleky Differenciáló szűrés y irányban Átlagolás Y irányban results and

  22. Sobel éldetektáló Threshold Edges Image I

  23. Sobel éldetektáló

  24. Sobel éldetektáló

  25. Sobel maszk: összefoglalás Sobel maszk szeparálható! Éllel párhuzamos átlagolás

  26. Robert keresztoperátor [ I(x, y) - I(x+1, y+1) ]2 + [ I(x, y+1) - I(x+1, y) ]2 1 0 0 -1 0 1 -1 0 + S = vagy | I(x, y) - I(x+1, y+1) | + | I(x, y+1) - I(x+1, y) | S =

  27. Robinson iránytű maszk 0 1 2 -1 0 1 -2 -1 0 1 2 1 0 0 0 -1 -2 -1 -1 0 1 -2 0 2 -1 0 1 2 1 0 1 0 -1 0 -1 -2 0 -1 -2 -1 0 -1 2 1 0 -1 -2 -1 0 0 0 1 2 1 1 0 -1 2 0 -2 1 1 -1 -2 -1 0 -1 0 1 0 1 2

  28. További maszkok Frei & Chen

  29. Laplace • Ahol a gradiens maximális, ott a második derivált előjelet vált (0) • Elmosódott élek esetén pontosabb lokalizálás • Ebben az esetben csak az élek helyét tudjuk meghatározni, az irányát nem • Az operátor nem érzékeny az elforgatásra, izotrópikus • Zajérzékeny -> • Simítás előtte

  30. Gauss simítás + Laplace (LoG) • Zajra nagyon érzékeny éldetektálók esetében előbb simítást szoktak alkalmazni • Például Gauss szűrőt

  31. Gauss simítás • A Gauss szűrő paraméterének hatása • növekedésével több pixel kerül az átlagolásba • növekedésével a kép jobban el lesz mosva • növekedésével a zajjobban el lesz távolítva

  32. Gauss simítás + Laplace (LoG) • Alkalmazhatjuk közvetlenül a Gauss szűrő Laplace-át – második derivált r szerint (Laplacian of Gaussian) – LoG • Mexikói kalap

  33. LoG - Marr Hildreth éldetektáló • Robusztus • Simított kép deriváltját közelíti • A 0 átmeneteket kell vizsgálni • Stabilabb zérushelyek jelölik az éleket, mert nem meredek éleknél is pontos

  34. Marr Hildreth éldetektor • Gauss simítás • Laplace • gradiens (derivált) •  Laplace

  35. Marr Hildreth éldetektor • (LoG) számítása

  36. LoG Filter Y X

  37. Zéró átmenetek detektálása • Négy eset: • {+,-} • {+,0,-} • {-,+} • {-,0,+} • Zéró átmenetek (slope) számítása {a, -b} -> |a+b|. • Éldetektálás • zéróátmenet nagyságának küszöbölése

  38. LoG szeparálhatóság • Hasonlóan a Gauss szűrőhöz • A kétdimenziós Gauss szűrő két egydimenzióssá alakítható n2szorzás 2nszorzás

  39. LoG szeparálhatóság n2szorzás 4nszorzás

  40. Szeparálhatóság Gauss szűrő Image + g(x) g(y) LoG szűrő gxx(x) g(x) Image + gyy(y) g(y)

  41. LoG példa

  42. LoG példa

  43. Canny éldetektor • John Canny, “Finding Edges and Lines in Images”, Master’s Thesis, MIT, June 1983. • “Optimális” maszk – Gaussian szűrő • Non-maximum suppression – eltávolítja a maximumra merőleges élgyanús pontokat • Hysteresis thresholding – hosszabb kontúrok készítése • Subpixel accuracy (eredetiben nincs) – subpixeles pontosság

  44. Ideális éldetektáló Milyen kritériumoknak kell megfelelnie egy ideális éldetektálónak? • Megbízható • mindent valódi élt detektál • nem detektál hibás éleket (zajos kép) • Az éleket pontosan lokalizálja • Minden élt pontosan egyszer jelez

  45. Canny éldetektor • Elsősorban lépcsős élekre • A kép Gauss-zajjal terhelt • Három lépést tartalmaz Input Image Kiemelés Nonmax_suppression Hysteres._thresh. Output: Kontúrok listái

  46. I. Canny élkiemelő • Az élkiemelő elemei: • (Lineáris) konvolúció Gauss szűrővel • Gradiens számolás • Normális és erősség (nagyság) számítás

  47. I. Canny élkiemelő - megjegyzés 1.lépés: Konvolúció • J = I  G • I = eredeti kép (image) • G = Gauss szűrő magja (kernel) • Nagyobb szűrő jobban csökkenti a zajt, lassabb, de kevésbé lokalizálja jól az éleket!

  48. I. Canny élkiemelő 2. lépés: Derivált számítás Minden I(i,j) pixelre kiszámoljuk a parciális deriváltakat • Megjegyzés: Konvolúció alkalmazása (A kép és a Gauss fgv. konvolúciójának első deriváltja ekvivalens a kép és a Gauss fv. első deriváltjának konvolúciójával. Zajszűrés és éldetektálás kombinálható.)

  49. Canny éldetektor – Gauss deriváltja

  50. Canny éldetektor – első két lépés

More Related