1 / 36

Understanding Image Processing: Techniques and Applications

Explore the complexities of computer vision, edge detection, segmentation, and object features in image processing for various applications. Dive into algorithms and models for interpreting visual information effectively.

tad-pena
Télécharger la présentation

Understanding Image Processing: Techniques and Applications

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. Proseminar K.I. - Bildverstehen David Bräuer 15.06.2011

  2. Inhalt des Seminars 1. Allgemeine Einführung 2. Vorgehensweise 3. Bildverarbeitung • 3.4 Kantenerkennung • 3.5 Segmentierung 4. Merkmale von Objekten 5.Anwendungsgebiete

  3. 1. Allgemein Einführung 1.1 Begriff: Bildverstehen 1.2 Merkmale & Ziele 1.3 Beispiel: Abhängigkeit an Fragestellung (1.4 Fragestellung an heutige Systeme)

  4. 1.1 Begriff: Bildverstehen (engl. „imageunderstanding“, „computervision“) Visuelle Informationen analysieren und interpretieren (z.B. Bild[er]) Def.: „Bildverstehen ist die Rekonstruktion und Deutung einer Szene anhand von Bildern“

  5. 1.2 Merkmale & Ziele Zählt zu einer der schwierigsten Teilgebiete der Informatik Komplexe Algorithmen Ausgehend der Fragestellung und des Bildes eine Beschreibung liefern

  6. 1.3 Beispiel: Abhängigkeit an Fragestellung 1. Geschehen - Person geht zum PKW 2. Objekte - 1 Person, 1 PKW 3. Grundformen - 24 Strecken, 5 Kreise 4. Bildtyp - Binärbild Erklärung hängt von Fragestellung ab

  7. 2. Vorgehensweise 2.1 Modell der Bildanalyse nach Marr 2.2 Gesamtmodell der Bildanalyse nach Pinz

  8. 2.1 Modell der Bildanalyse nach Marr • Enthält alle relevanten Informationen • Reduziert die große Datenmenge sinnvoll z.B. Kanten, Elemente • Tiefeninformation, Form- und Geometriekonstruktion • Schlüsse über verdeckte Teile ziehen, Szenenbeschreibung

  9. 2.2 Gesamtmodell der Bildanalyse nach Pinz Welt: Objekte mit physikalischen Eigenschaften Szene: 3D-Ausschnitt der Welt zu einem bestimmten Zeitpunkt Bild: 2D-Projektion der Szene Bildbeschreibung: beschreibt Segmente und Kanten Szenenbeschreibung: interpretiert Informationen aus Bildbeschreibung Weltbeschreibung: je nach Fragestellung wird das Bild beschrieben

  10. 2.2 Gesamtmodell der Bildanalyse nach Pinz Szenenauswahl: Was/Wann soll betrachtet werden Aufnahme: Wie soll betrachtet werden Bildsegmentierung:Bildver-besserung, erkennen v. Kanten Bildanalyse:gruppieren einfacher geometrischer Objekte Höhere Bilddeutung: Bewegungsabläufe Interaktion: Veränderung der Umwelt durch System

  11. 3. Bildverarbeitung 3.1 Ziele der Bildverarbeitung 3.2 Operationen 3.3 HSV-Farbraum 3.4 Kantenerkennung • 3.4.1 Kantenverdünnung • 3.4.2 Skelettierung 3.5 Segmentierung • 3.5.1 Punkorientierte Verfahren

  12. 3.1 Ziele der Bildverarbeitung • Bildverbesserung (Korrektur von Bildfehlern) • Kantendetektion • Segmentierung, Unterteilung in homogene Bereiche • Erste Bildanalyse

  13. 3.2 Operationen • Punktoperation • Bildpunkt des Eingabebilds wird zu einem Bildpunkt des Ausgabebilds • Lokale Operationen • Bildpunkte um einen Punkt werden zu einem Bildpunkt des Ausgabebilds • Globale Operationen • Alle Bildpunkte werden zu einem Bildpunkt des Ausgabebilds

  14. 3.3 HSV-Farbraum • Einfachere Verwendung als RGB-Farbraum • Hue (Farbwert) • Saturation (Sättigung) • Value (Helligkeit)

  15. 3.3 HSV-Farbraum Vorteil gegenüber dem RGB-Farbraum macht sich wie folgt deutlich: R: 35 H: 100 G: 165 S: 166 B: 81 V: 100 R: 145 H: 100 G: 255 S: 255 B: 184 V: 200 R: 124 H: 100 G: 186 S: 79 B: 146 V: 155 R: 21 H: 100 G: 219 S: 210 B: 92 V: 120 R: 56 H: 100 G: 84 S: 51 B: 66 V: 70

  16. 3.4 Kantenerkennung 30 30 30 30 60 60 60 60 0 -1 0 30 30 30 30 60 60 60 60 -1 4 -1 30 30 30 30 60 60 60 60 0 -1 0 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60

  17. 3.4 Kantenerkennung 30 30 30 30 60 60 60 60 0 -1 0 30 30 30 30 60 60 60 60 -1 4 -1 30 30 30 30 60 60 60 60 0 -1 0 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 Berechnung: 0*30 + (-1)*30 + 0*30 + (-1)*30 + 4*30 + (-1)*30 + 0*30 + (-1)*30 + 0*30 0 + -30 + 0 + -30 + 120 + -30 + 0 + -30 + 0 = 0

  18. 3.4 Kantenerkennung 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 0 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60

  19. 3.4 Kantenerkennung 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 0 -30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60

  20. 3.4 Kantenerkennung 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 0 -30 30 0 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60 30 30 30 30 60 60 60 60

  21. 3.4 Kantenerkennung 0 0 0 -30 30 0 0 0 0 0 0 -30 30 0 0 0 0 0 0 -30 30 0 0 0 0 0 0 -30 30 0 0 0 0 0 0 -30 30 0 0 0 0 0 0 -30 30 0 0 0 Kante gefunden!

  22. 3.4.1 Kantenverdünnung Entfernen der doppelten und mehrfachen Bildpunkte auf einer Zeile oder Spalte. • Gut geeignet für Segmentierung

  23. 3.4.2 Skelettierung • Algorithmus von Lü und Wang • 3x3 – Maske wird auf Matrix gelegt • P ist der zu überprüfende Punkt Bsp.: 0 P1 0 P2 P3 1 0 P8 1 P P4 1 P7 1 P6 1 0 P5

  24. 3.4.2 Skelettierung 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 0 1 0 0 0 1 1 0 0 1 0 0 0 0 1 0 0 A(P) = 1 B(P) = 3 0 0 1 0 0 0 0 1 0 0 0 1 1 1 0 0 0 1 0 0 0 1 1 1 0 => Punkt löschen 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

  25. 3.5 Segmentierung • Unterteilung in Segmentierungsobjekte mit bestimmten Eigenschaften • Unterteilung erfolgt anhand des Grauwerts, Textur o.ä. (Homogenitätskriterium) • Bessere Aufteilung durch Kantenerkennung

  26. 3.5 Segmentierung Bild mit 5 Segmenten getrennt durch Grauwertunterscheidung

  27. 3.5 Segmentierung Verfahren zur Segmentierung: • Punktorientierte Verfahren • Kantenorientierte Verfahren • Regionenorientierte Verfahren • Regelbasierte Verfahren

  28. 3.5.1 Punktorientierte Verfahren • Ob ein Bildpunkt zu einem Segment gehört hängt von Grauwert oder Farbe ab • Schwellwertverfahren einfaches Mittel zur Bildsegmentierung • Ausgabe ist in dem Falle ein Binärbild

  29. 4. Merkmale von Objekten 4.1 Fläche eines Segments 4.2 Umfang eines Segments

  30. 4. Merkmale von Objekten • Interpretationsverfahren notwendig • Merkmale beschreiben Charakteristik der Segmente • Segmente müssen bekannt sein • Berechnung verschiedener Werte der Segmente

  31. 4. Merkmale von Objekten Bild Segmente Merkmale Objekte

  32. 4.1 Fläche eines Segments • 2 Verfahren zur Berechnung: • Zählen der Pixel • Gauß‘sche Flächenformel

  33. 4.2 Umfang eines Segments • Auch hier 2 Möglichkeiten • Abzählen der Randpixel • Freemancode

  34. 5. Anwendungsgebiete • Zeichenerkennung • Qualitätsprüfung in der Indutrie • Medizinische Bildanalyse • Luftaufnahmen • Fahrzeugsteuerung • Gesichtserkennung

  35. Ende der Präsentation Quellen • Buch „Bildanalyse“ von Dr. Johannes Steinmüller • ISBN 978-3-540-79742-5 • http://www.uni-forst.gwdg.de/~wkurth/bia09_v01.doc • http://www.rn-wissen.de/index.php/Bildverarbeitung_Tutorial • http://www.kreissl.info/bilderkennung.php • http://www-gs.informatik.tu-cottbus.de/bia_v08.pdf

More Related