1. Bab 5-3 Image Processing and Analysis

2. Objektif • Boleh mengetahui langkah-langkah yg terlibat di dalam Fungsi II • Boleh menghuraikan keperluan dan fungsi setiap langkah • Boleh membezakan elemen yang terlibat dalam setiap langkah

3. Kandungan • Pengenalan • Image Data Reduction • Segmentation • Feature Extraction • Object Recognition • Kesimpulan

4. Pengenalan • Turutan langkah dlm Fungsi II: • Image Data Reduction • Segmentation • Feature extraction • Object recognition • Jumlah dan amaun data imej sangat besar perlu diproses dalam masa yang singkat • Pelbagai teknik utk kurangkan magnitud bagi memastikan pemprosesan dan analisis imej boleh dilakukan

5. IMAGE DATA REDUCTION • Objektif • Kurangkan volume/amaun data • Dua skema dalam data reduction • Digital conversion • Windowing • Fungsi kedua-dua skema, utk menghapuskan bottleneck yg terhasil akibat volume data

6. IMAGE DATA REDUCTION • Digital Conversion • Mengurangkan nombor tahap gray yg digunakan oleh sistem machine vision • Bergantung kpd keperluan aplikasi, boleh kurangkan bilangan tahap gray dgn gunakan bits yg kurang utk mewakili kepekatan cahaya pixel • Contoh: menggunakan 8 bit menghasilkan 256 gray levels, kurang 4 bit menghasilkan hanya 16 gray levels

7. IMAGE DATA REDUCTION • Windowing • Menggunakan a portion dari imej keseluruhan (frame buffer) utk diproses dan dianalisis • Portion digelar window • Pengenalpastian objek secara tepat hanya pada bahagian yg dikehendaki sahaja • Contoh: inspection PCB • Rectangular window akan pilih kawasan yg diingini, pixels pada window shj akan dianalisis

8. SEGMENTATION • Term biasa yg digunakan utk pelbagai kaedah selepas data reduction • Objektif • Utk kumpulkan kawasan imej yg mempunyai sifat/features yg sama kepada entiti yg mewakili sebahagian imej • Contoh: kumpul ikut boundaries/regions • Teknik-teknik segmentation • Thresholding • Region growing • Edge detection

9. Thresholding • Sangat simple • Teknik Binary conversion, setiap pixel ditukar menjadi nilai binary (hitam atau putih) • Berdasarkan julat B&W, ditentukan dari histogram imej • Teknik segmentation yg plg meluas digunakan dalam aplikasi industrial vision • Mudah, cepat dan kaedah lighting yg senang dikawal

10. Region Growing • Koleksi teknik segmentation, dimana pixels dikumpulkan dalam region (grid elements) berdasarkan persamaan atribut • Regions yg didefinisikan akan dianalisis utk tentukan sama ada ia independent atau boleh digabungkan dgn regions lain • Sesuai utk imej objek yg mudah, imej yg kompleks, teknik ini kurang sesuai • Teknik ini digunakan bila dua: • Teknik lain tidak boleh digunakan • Teknik lighting tidak boleh dikawal

11. Edge detection • Mengambil kira perubahan intensity pixels pada boundary/edges part • Jika region(atribut yg sama) dijumpai tapi bentuk boundary tidak diketahui, maka teknik ini sesuai digunakan

12. FEATURE EXTRACTION • Dari segmentation, perbezaan dibuat ke atas objek berdasarkan kepada features yg memberi sifat yg unik kpd objek • Feature = satu parameter yg membenarkan perbandingan dan pengenalan antara objek • Area,diameter dan perimeter • Boleh kenalpasti objek atau part dan tentukan lokasi part atau orientasinya

13. OBJECT RECOGNITION • Utk kenalpasti objek yg diwakili oleh imej, menggunakan maklumat dari feature extraction • Kenalpasti objek (imej) dan membuat klasfikasi • Perlukan recognition algorithm yg berkuasa utk kenalpasti objek secara unik • 2 teknik utama • Template-matching • Structural

14. Template-matching techniques • Subset kepada kebykan teknik statistical pattern recognition yg kelaskan objek (imej) kedalam kategori yg ditentukan • Masalah biasa: utk matchkan objek dgn stored pattern (model template) • Model template diperolehi semasa training • Teknik ini boleh digunakan jika tidak memerlukan bilangan model template yg byk

15. Template-matching techniques • Berdasarkan kepada bilangan features • Perbandingan antara features pada objek dgn stored values • Bila match dijumpai (guna statistical variations), maka objek telah diklasfikasikan

16. Structural techniques • Mengambilkira hubungan antara features/edges objek • Teknik yg digunakan: • Syntactic pattern • Menggunakan elemen penghasilan sesuatu bentuk objek • Agak sukar utk lengkapkan pattern recognition secara lengkap • Lebih mudah utk cari regions/edges yg lebih simple • Kebanyakan industri robotik guna approach ringkas terutamanya recognition 2D

17. Kesimpulan • Fungsi II dimana imej digital objek akan dianalisis • Melibatkan reduction data, segmentation, feature extraction dan object recognition • Setiap langkah mempunyai fungsi dan teknik yg berbeza-beza