1 / 42

Obdelava slike

Obdelava slike. (Pred)obdelava slike Izboljšanje slike Naloga: napraviti sliko (še) boljšo - potrebujemo model izboljšanja. Obnavljanje slike Naloga: napraviti sliko tako, kot je (naj bi) že bila - potrebujemo model poslabšanja. Analiza slike Razgradnja slike Iskanje robov

Download Presentation

Obdelava slike

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. Obdelava slike • (Pred)obdelava slike • Izboljšanje slike • Naloga: napraviti sliko (še) boljšo - • potrebujemo model izboljšanja. • Obnavljanje slike • Naloga: napraviti sliko tako, kot je • (naj bi) že bila - potrebujemo model poslabšanja. • Analiza slike • Razgradnja slike • Iskanje robov • Iskanje oglišč • ....

  2. (Pred)obdelava slike Izhodna slika Vhodna slika Predobdelava • Naloga predobdelave: • Napraviti sliko bolj primerno za nadaljnjo obdelavo • V sistemih strojnega vida naj bi bilo predobdelave čim manj • Kakovost slike je potrebno zagotoviti že v času njenega nastanka • Op.: • Ko govorimo o predobdelavi slike, mogoče preveč razmišljamo o tem, • da bi bilo treba sliko popraviti.

  3. 12 Digitalna slika f(x,y) x M y 12 N Piksel Okolica 3x3, 5x5, ... Področje zanimanja

  4. (Pred)obdelava slike • Točkovne operacije: • aritmetične in logične operacije: +, -, *, /, IN, ALI,... • včasih nastopajo samostojno, še pogosteje pa so • sestavni del sestavljenih operacij. • Lokalne operacije: • linearno / nelinearno filtriranje “šuma”. • Globalne operacije: • take, ki so rezultat celotne vsebine slike (histogram)

  5. Točkovne operacije • Spreminjanje svetlosti: IIzh = IVh + k IIzh IIzh IVh IVh IVh – Vhodni nivoji svetlosti (sivosti) IIzh – Izhodni nivoji svetlosti (sivosti)

  6. Točkovne operacije • Spreminjanje kontrasta: IIzh k . IVh IIzh IIzh IVh IVh

  7. Točkovne operacije invertiranje upragovljenje IIzh IIzh IVh IVh

  8. Točkovne operacije V splošnem: IVh – Vhodni nivoji svetlosti IIzh – Izhodni nivoji svetlosti d – maksimalna vhodna vrednost c – minimalna vhodna vrednost b – maksimalna izhodna vrednost a – minimalna izhodna vrednost

  9. Točkovne operacije • Seštevanje slik: • popravimo razmerje signal / šum • Odštevanje slik • detekcija premika (spremembe) • odštevanje ozadja • (npr. zaradi neenakomernosti osvetlitve).

  10. Točkovne operacije Seštevanje slik: popravimo razmerje signal / šum Seštejemo N zaporednih slik (stacionarnega) prizora. V primeru, da je šum nekoreliran, Gaussov, s srednjo vrednostjo nič in enako porazdeljen, se da na ta način potlačiti šum za

  11. Histogramljenje • Slikovni element obravnavamo kot naključno spremenljivko. • Na podlagi histograma se da povedati marsikaj o kakovosti slike. • Popravljanje svetlosti, kontrasta, upragovljenje, ... • Ravnanje histograma: • Tiste svetlosti, ki so bolj prisotne, kvantiziraj bolj fino. • Določanje histograma: • Preslikaj svetlosti tako, da bodo ustrezno porazdeljene.

  12. Ravnanje histograma • Ravnanje histograma

  13. Ravnanje histograma

  14. Določanje histograma • Določanje histograma s T(x) x s G(y) y • To se da realizirati v diskretnem primeru s pregledovalnimi tabelami.

  15. t Upragovljenje Izhod:Binarna slika Vhod: Sivinska slika Histogram

  16. Lokalne operacije • Zmanjšati nivo šuma • Gaussov šum • Impulzni šum (“poper in sol”) • Linerano filtriranje (Gaussov filter) • Nelinearno filtriranje (medianin filter) • IIzh(i, j) =k l h(k,l) x IVh(i-k,j-l)

  17. 1 1 1 1 1 1 1 1 1 1 2 1 2 4 2 1 2 1 Lokalne operacije • Glajenje • Povprečenje (“maska” 3x3, ipd.) • Uteženo povprečenje x 1/9 x 1/16

  18. 1 1 4 4 6 Lokalne operacije • Gaussov filter • Smiselno je izkoristiti ločljivost jedra • g(x,y) * f(x,y) = g(x) * g(y) * f(x,y) • Najprej filtriramo po stolpcih • Nato po vrsticah x 1/16 Diskretna aproksimacija 1D Gaussa ( = 1)

  19. Lokalne operacije • Glajenje zamegli robove • Ostrenje (angl. “unsharp masking”) • Zmanjšamo vpliv glajenja na robove • Nelinearno filtriranje – mediana • Zavedati se moramo, da filtriranje lahko zamakne robove

  20. 1 1 1 g(x,y) fg(x,y) fo(x,y) fi(x,y) + Glajenje 1 1 -8 1 1 1 Lokalne operacije • Ostrenje (angl. “unsharp masking”) • Od originalne slike odštejemo njeno glajeno verzijo, • g(x,y) = fi(x,y) - fg(x,y) K originalni sliki prištejemo določen delež g(x,y) fo(x, y) = (1-k) • fi(x,y) + k • g(x,y) • Podoben rezultat dobimo s prištevanjem • ustreznega deleža Laplacea

  21. 1 1 5 5 5 5 4 4 4 4 1 4 • mediana: 1 1 4 4 4 4 5 5 5 4 4 5 5 4 4 Lokalne operacije • Filtriranje z mediano • vrednost slikovnega elementa nadomestimo z mediano • v izbrani okolici, npr. 3x3, 5x5, ipd. okolica slikovnega elementa Dobro odstranjuje impulzni šum

  22. Iskanje robov • Iskanje robnih točk • - spremebe svetlosti (vrednosti) slike • - robne točke še niso obris Robna točka

  23. Iskanje robov • Robni operatorji • Večina operatorjev deluje na podlagi (numeričnega) odvajanja • Računanje prvih odvodov (gradienta) slike • Računanje drugih odvodov (Laplace) slike (tudi DOF) • Modela robov (Hueckel) • Splošen postopek • Filtriranje z Gaussovim filtrom primerne širine • Numerično odvajanje (npr. računanje gradienta) • Upragovljenje (po potrebi tanjšanje)

  24. Iskanje robov • Nekateri najbolj znani robni operatorji • Robertsov operator • Prewittov operator • Sobelov operator • Cannyjev operator • Iskanje prehodov skozi nič (Laplace Gaussa) • Razlika Gaussov (DOF – Diff. Of Gaussians)

  25. -1 -2 -1 1 2 1 Sobelov operator -1 1 -2 2 -1 1 Izhod: Slika robnih točk Vhod: Sivinska slika Sobel

  26. Iskanje robov

  27. -1 -1 -1 +1 0 -1 0 1 1 1 0 +1 -1 0 Nekateri drugi operatorji Prewitt Roberts Gx Gx -1 1 Gy Gy -1 1 -1 1 Izbira robnega operatorja ne sme odločilno Vplivati na delovanje sistema.

  28. Canny-jev operator • Kriteriji (J. Canny, 1983): • Dober odziv na rob v prisotnosti šuma ugodno ramerje signal/šum • Dobra lokalizacija – maksimalen odziv na mestu pravih robov • En odziv na robno točko

  29. Canny-jev operator • Postopek • Filtriranje z Gaussovim filtrom primerne širine • Odvajanje v smeri x in y • Iskanje lokalnih maksimumov (NMS, angl. Non-Maxima Suppression) • Upragovljenje s histerezo (z dvema pragovoma, zgornjim in spodnjim)

  30. Canny-jev operator • Namesto slike odvajamo filter • Filtriramo z odvodom filtra • Upoštevamo lastnost ločljivosti filtra

  31. Canny-jev operator f - vhodna slika g(x)*f g(y)*f gy(y)*f gx(x)*f Velikost Smer NMS HT e – slika robov

  32. Canny-jev operator

  33. Večločljivostni pristop • Sliko filtriramo z več Gaussovimi filtri različnih širin • Dobimo isto sliko na različnih stopnjah ločljivosti • Poiščemo robne točke na vseh stopnjah ločljivosti • Združimo rezultate z vseh stopenj ločjivosti

  34. Prostor ločljivosti • Ko postane širina (parameter) Gaussovega filtra zvezna • spremenljivka, govorimo o prostoru ločljivosti. • Večločljivostni pristopi in prostor ločljivosti (“scale space”) • imajo številne primere uporabe v: • Kodiranju slik • Primerjanju slik • Razgradnji slik • Tvorci teorije: P. Burt, E. Adelson, A. Witkin, P. Perona, J. Malik, T. Lindeberg, J. Koenderink, ...

  35. Prostor ločljivosti Prehodi skozi nič drugega odvoda (Laplace) Gaussa LoG, DoG

  36. Iskanje oglišč (kotov) • Izračunamo odvode (e) v smeri x in y • Izračunamo matriko C v neki okolici točke • Izračunamo lastni vrednosti matrike C

  37. Iskanje oglišč (kotov) • Točka (x,y) je oglišče, če sta obe lastni vrednosti dovolj veliki

  38. Iskanje oglišč (kotov)

  39. Houghov transform y = k.x + n Vhod: slika Izhod: Hugh transform

  40. Houghov transform

  41. Literatura • R. Gonzalez, R. Woods, Digital Image Processing, • Prentice Hall, 2002. • M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis, and Machine Vision, PWS Publishing, 1999. • E. Trucco, A. Verri, Introductory Techniques for 3D Computer Vision, Prentice Hall, 1998. • HyperMedia Image Processing Reference • http://www.cee.hw.ac.uk/hipr/html/hipr_top.html • Matrox Inspector • MatLab

More Related