Геометрия изображения
Естественно, конструкция приемника изображения и способ организации сканирования напрямую влияет на его внутреннюю геометрию.
Наиболее распространенной является центральная проективная геометрия снимка, характерная для фотоаппаратов и видеокамер с матричными приемниками и объективами на базе сферических линз. Геометрия таких изображений будет подробно рассмотрена в разделе 7.3.
Другим типом внутренней геометрии является осевая проективная геометрия, характерная для устройств со щелевым сканированием.
Встречаются и еще более сложные случаи внутренней геометрии съемки. Например, цилиндрическая геометриянекоторых космических фотоаппаратов, проецирующих изображение не на плоскость, а на цилиндрическую поверхность. Геометрия радиолокационной съемки определяется устройством антенны и может быть весьма сложной и нелинейной. Геометрия изображения, полученного от лазерного локатора, определяется алгоритмом развертки управляющей зеркальной системы.
Во всех случаях, если перед нами стоит задача измерения и контроля каких-либо элементов сцены или взаимной геометрической привязки элементов изображений различных типов, помимо заранее известной общей геометрической модели приемников изображений подобного типа, мы должны также с максимально возможной точностью знать значения всех параметров этой модели применительно к данному конкретному экземпляру приемника. Дело в том, что никакие технические изделия не являются идеальными. Поэтому, приобретая у производителя объектив для видеокамеры с заявленным фокусным расстоянием, например, 12мм, мы не можем быть уверены, что фокусное расстояние данного объектива действительно ровно 12 мм, а не 12,1 или 11,9. Другие параметры геометрии съемки (например, положение центра снимка, через который проходит оптическая ось съемки) также требуют оценки и уточнения до того, как мы сможем использовать геометрическую информацию, полученную от данной камеры в измерительных целях. Более того, на практике ни одна сферическая линза не является в точности сферической. Любой объектив имеет так называемыедисторсии, то есть искажения, отклонения от идеальной геометрии. Аналогичным образом и движение линейки оптического сканера никогда не является идеально параллельным, плавным и равномерным. В связи с этим и сканерное изображение имеет не только оптическую геометрию сканирующей системы, но и свои дисторсии и искажения внутренней геометрии изображения.
Отсюда вытекает необходимость проведения математической калибровки и компенсации дисторсий для любых практически используемых в технических системах камер и сканеров. Процедуры такой калибровки для камер с центральнопроективной геометрией будут также рассмотрены в главе 5. К сожалению, оптические системы многих дешевых бытовых устройств ввода изображений столь несовершенны, что даже математическая калибровка не в состоянии придать им метрические свойства. Это относится, в частности, к большинству USB-камер и цифровых камер, встроенных в сотовые телефоны.
- «Обработка изображений и распознавание образов» Визильтер Юрий Валентинович Методическое пособие-2010
- Раздел 2. Распознавание образов. 165
- 1.1. Задачи и приложения машинного зрения. Примеры практических приложений.
- Уровни и методы машинного зрения
- Растровое изображение Изображение как двумерный массив данных
- Алгебраические операции над изображениями
- Физическая природа изображений
- Изображения различных диапазонов длин волн
- Изображения различной физической природы
- Тип пикселя
- Возможности и особенности системыPisoft
- Базовые средства просмотра и анализа изображений и видеопоследовательностей
- Алгебра изображений
- Геометрические преобразования изображений
- Устройства оцифровки и ввода изображений
- Линейки и матрицы, сканеры и камеры
- Геометрия изображения
- Цифровые и аналоговые устройства
- Пространственное разрешение
- Программное обеспечение
- Обработка цветных изображений
- Цветовая модельRgb
- Цветовая модель hsv
- Цветовая модель yuv
- Цветовая сегментация изображения
- Гистограмма и гистограммная обработка изображений
- Профиль вдоль линии и анализ профиля
- Проекция и анализ проекции
- Бинаризация полутоновых изображений
- Сегментация многомодальных изображений
- Выделение и описание областей
- Выделение связных областей на бинарных изображениях
- 1. Отслеживающие алгоритмы на примере алгоритма обхода контура.
- 2. Сканируюющие алгоритмы.
- 1.3. Фильтрация. Выделение объектов при помощи фильтров
- Оконная фильтрация изображений в пространственной области
- Фильтрация бинарных изображений Модель шума «соль и перец»
- Структура оконного фильтра
- Логическая фильтрация помех
- Бинарная медианная фильтрация
- Бинарная ранговая фильтрация
- Взвешенные ранговые фильтры
- Анизотропная фильтрация
- Расширение-сжатие (простая морфология)
- Стирание бахромы
- Нелинейная фильтрация полутоновых изображений
- Ранговая оконная фильтрация
- Минимаксная фильтрация
- Задача выделения объектов интереса
- Бинарные фильтры для выделения объектов
- Метод нормализации фона
- Скользящее среднее в окне
- Гауссовская фильтрация
- Преобразование Фурье. Линейная фильтрация в частотной области
- Преобразование Фурье
- Комплексное представление преобразования Фурье
- Быстрое преобразование Фурье
- Двумерное преобразование Фурье
- Свертка с использованием преобразования Фурье
- Фильтрация изображений в частотной области
- Вейвлет-анализ
- Пирамида изображений
- Вейвлет-преобразование
- Операторы вычисления производных
- Операторы вычисления векторов градиентов
- Операторы Марра и Лапласа
- Постобработка контурного изображения Локализация края
- Утончение контура
- Сегментация полутоновых изображений
- Пороговая и мультипороговая сегментация
- Методы слияния, разбиения и слияния/разбиения областей
- Способы описания выделенных областей
- Текстурные признаки
- 1.6.Морфологические методы анализа сцен (по ю.П. Пытьеву) Методы обнаружения объектов, заданных эталонами
- Согласованная фильтрация.
- Корреляционное обнаружение.
- Морфологический подход ю.П. Пытьева.
- Форма изображения как инвариант преобразований изображений, отвечающих вариациям условий регистрации
- Сравнение изображений по форме
- Выделение отличий изображений по форме
- Обнаружение объекта по его изображению и оценка его координат
- *Морфология на базе кусочно-линейной интерполяции
- Преобразование Хафа для поиска прямых
- *Различные способы параметризации прямых
- Преобразование Хафа для поиска окружностей
- Анализ аккумулятора при поиске геометрических примитивов
- Обобщенное преобразование Хафа
- *Специализированная процедура голосования для поиска эллипсов
- *Рекуррентное преобразование Хафа в скользящем окне
- 1.8.Математическая морфология (по ж. Серра)
- Морфологические операции на бинарных изображениях
- Морфологические операции на полутоновых изображениях
- Морфологическое выделение «черт» и объектов
- Морфологический спектр
- Морфологические скелеты. Непрерывная бинарная морфология Непрерывная бинарная морфология
- Непрерывное гранично-скелетное представление изображения
- Обработка и использование скелета
- *Обобщенные скелетные представления бинарных фигур
- Алгоритмы утончения дискретного бинарного изображения
- *Регуляризация скелетов
- Типы нерегулярностей скелета
- Устранение нерегулярностей
- Регуляризация скелета по Тихонову
- *Селективные морфологии
- 1.9. Анализ движения. Выделение движущихся объектов. Разность кадров. Вычитание фона. Анализ оптических потоков. Слежение за движущимися объектами. Корреляционное слежение.
- Обучение с учителем. Детерминированные методы, основанные на «близости». Линейные решающие правила. Метод построения эталонов. Метод ближайшего соседа. Методkближайших соседей.
- Линейные решающие правила
- Метод построения эталонов
- Методы ближайших соседей
- Параметрические и непараметрические методы
- Дискриминантные и моделирующие методы обучения
- Способность распознавателя к обобщению. Регуляризация.
- Байесовская теория решений. Случай двух классов. Классификаторы, разделяющие функции и поверхности решений. Вероятности ошибок. Разделяющие функции для случая нормальной плотности.
- Дискриминантный анализ. Линейный дискриминант Фишера. Персептронная функция критерия. Линейный дискриминантный анализ (lda,дискриминант Фишера)
- Персептрон Розенблатта
- Анализ свидетельств
- Байесовское объединение свидетельств
- Структурное распознавание
- Автоматизированное конструирование алгоритмов обнаружения объектов на основе преобразований модельных описаний объектов.
- Нейросетевое распознавание
- Нейронные сети ассоциативной памяти. Сети Хопфилда.
- Многослойные персептроны. Оптимизационное обучение. Метод обратного распространения ошибки.
- Многослойные персептроны. Правило Хебба.
- *Связь с байесовским распознаванием
- Сети встречного распространения. Самоорганизующиеся сети.