Kalábovi

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== Detekce hran, segmentace ======
===== Detekce hran =====
[[wp>Edge detection]]

**Hrany** jsou místa kde sa prudce mění jas a dají sa využít na identifikaci důležitých oblastí (regionů) v obraze. Jsou vstupem mnoha algoritmů na detekci objektů v obraze, případně při segmentaci obrazu.

Defnice hrany:
  * Prudká změna jasu = hrana
  * Lokální změna jasu = jasová hrana
  * Globální změna = jasový hraniční segment
  * Vlastnosti: velikost, směr

==== Základní postupy při detekci ====
  - Filtrace obrazu − odstranění vzorkovacího či kvantovacího šumu, rozmazání, apod.
  - Diferenciace − zvýraznění oblastí s výraznou změnou intenzity
  - Hranový detektor

=== Hranový detektor ===
  * Vlastnosti
    * Odolnost vůči šumu
    * Lokalizace
    * Početnost odezvy
  * Aplikace konvolučního jádra (detekce směru hrany vyžaduje množinu jader korespondujících s určitými směry). 

Detektory můžeme rozdělit podle detekcie hrany:

== Operátory 1. derivace ==
  * Analýza malého okolí, konvoluce s jádrem hranového operátoru
  * Detekce směru hrany vyžaduje množinu jader korespondujících s určitými směry
  * Závislost na velikosti objektu v obraze, citlivost na šum

  * Roberts − malé okolí pro výpočet gradientu, vysoká citlivost na šum
  * Prewitt − více pixelů použito k výpočtu gradientu
  * Sobel − možné použít pouze dvě masky (detekce horizontálních a vertikálních hran)
  * Kirsch
  * Robinson

== Operátory 2. derivácie ==
Hladají hranu při průchodu nulou v okolí. Nevýhodami jsou velké vyhlazení obrazu a ztráta ostrých rohů, případně dvojitá odezva na hrany.
  * Laplacián − invariantní vůči rotaci, normalizovaná odezva na čtyřokolí, osmiokolí
  * LoG (Marr-Hildreth) − laplacián na vyhlazeném obrazu Gaussem, velice stabilní, nebezpečí falešných hran
  * DoG − Rozdíl Gaussovek – aproximace LoG
  * Cannyho detektor − operátor první derivace Gaussovské funkce, non-maxima suppression, prahování s hysterezí (//hystereze// znamená závislost stavu na stavech předchozích; v tomto kontextu jde o to, že jsou ponechány jen ty nejsilnější hrany a slabé, pokud jsou spojeny s nějakou silější, velmi slabé jsou potlačeny)
  * Aktivní kontury − vnitřní (hladkost křivky) a vnější síly (tvarují konturu směrem ke hranám objektu)

== Parametrické modely hran ==
  * Přesnější popis hran, náročné na výpočet, např. Houghova transformace.
  * Takto získané hrany je možné dále filtrovať (např. filtr s hysterzí)

==== Kvalita hranových detektorů ====
  * Dobrá detekce (odolnost vůči šumu)
  * Dobrá lokalizace (detekované hranové body co nejblíže středu hrany)
  * Jedinečná odezva (měla by existovat jen jedinečná odezva na skutečnou hranu)

==== Nejpoužívanější detektory ====
=== Cannyho detektor ===
[[wp>Canny edge detector]]
  * Realizován tak, aby co nejlépe vyhověl požadavkům na kvalitu (zmíněno výše)
  * Realizován různými způsoby, které se snaží co nejlépe vyhovět stanoveným podmínkám
  * Operátor první derivace Gaussovské funkce + potlačením nemaximálních hodnot

=== Houghova transformace ===
[[wp>Hough transform]]
  * Metoda pro nalezení parametrického popisu objektů v obraze
  * (Transformace z Kartézského souřadnicového systému do polárního ... určitě?)
  * Výpočetně náročná, robustnost, není citlivá na porušená data nebo šum
  * Stejný princip se používá i pro hledání dalších křivek, které je možné popsat parametricky (kružnice, elipsa apod.)
  * Houghova transformace se dá použít i na detekci tvarů, které nejde přímo popsat parametricky
  * Body obrazu jsou prezentovány křivkami v parametrickém prostoru
  * Jedná-li se o kolineární body (z jedné přímky), pak křivky v parametrickém prostoru se protínají. Průnik reprezentuje parametry hledané křivky

===== Segmentace =====
[[wp>Segmentation (image processing)]]
==== Co je to segmentace obrazu? ====
  * Proces rozdělování obrazu na významné části (regiony, např. obsahující jednotlivé objekty), které mají podobné vlastnosti (např. podobné barvy, tím sa dá např. oddělit obloha od trávy).
  * Objekt je zajímavá část obrazu, zbytek je tzv. pozadí (angl. background).
  * Segmentace je závislá na interpretaci obrazu!
  * Jeden z nejdůležitějších kroků analýzy obrazu!
  * Neexistuje univerzální metoda

==== Proč je segmentace složitá? ====
  * Výsledek je závislý na konkrétní aplikaci.
  * Velký vliv má proces snímání obrazu – proměnlivé osvětlení, šum, apod.
  * Struktura obrazu může být velmi složitá – komplexní tvary objektů, překrývající se objekty, stíny, ...
  * Neexistuje univerzální metoda pro všechny typy obrazů.

==== Základní přístupy k segmentaci obrazu ====
=== Statistické metody ===
== Orientovaná na regiony ==
Region based (porovnávání vnitřků)
  * Obrazové pyramidy – Nejvyšší úroveň je jeden pixel, redukce výpočetní náročnosti, segmentace – spojování oblastí, quad tree
  * Grafy sousednosti (Region Adjacency Graphs (RAGs)) – Vztahy mezi regiony
  * [[wp>Region growing]] – 4-okolí, 8-okolí
  * Barvení oblastí – Barvi dokud práh, nutné dva průchody, není deterministická (Region Merging, Region Splitting)

== Orientovaná na hrany ==
Edge based
  * Hrany mohou nést důležitou informaci o objektech
  * Často oddělují regiony v obraze.
  * Typický problém: porušené a nevýrazné hrany, zároveň mnoho nepodstatných hran.
  * Edge relaxation – zotavení hrany, mnoho heuristických algoritmů, často iterační, degraduje hrany
  * Spojování hran – Vytváří seřazené hrany

== Prahování ==
  * Band
  * Dva a více prahů
  * Semi-thresholding
  * Mode based
  * Iterative
  * Adaptivní
  * Otsu's

== Shluková analýza ==
  * Učení bez učitele, řazení do podobných shluků
  * [[wp>k-means clustering]], Shift, Fuzzy C-Means, nebo GMM

=== Hybridní metody ===
== Metoda rozvodí ==
[[wp>Watershed (image processing)]]
  * Morfologická metoda segmentace, obraz chápán jako terén nebo topografický reliéf, který je postupně zaplavován vodou.
  * Výsledný obraz rozdělen do povodí oddělených hrázemi.
  * Nepoužívá se přímo originální obraz, ale gradientní obraz.
  * Metoda produkuje velký počet regionů, nadměrně segmentovaný obraz -> spojování segmentů

=== Znalostní metody (knowledge-based) ===
Nejčastěji detekce předdefinovaných vzorů v obraze (tzv. //template matching//)
Kalábovi

Uživatelské nástroje

Nástroje pro tento web

Nástroje pro stránku
