Бинарные фильтры для выделения объектов
Сгущение
Пусть выбрана апертура .Определим некоторый фиксированный параметр, где—число пикселей в апертуре(размер апертуры). Введем следующее ППР:
1) заполнить единицами всю апертуру, если число единиц в :;
2) заполнить нулями всю апертуру, если число единиц в :.
В зависимости от выбираемой формы ,величины апертурыи выбора параметра сгущения этот фильтр может служить и для подавления помех, и для поиска небольших объектов непосредственно в зашумлённых (неотфильтрованных предварительно) сценах.
Селекция с восстановлением
Этот алгоритм есть в некотором смысле аналог алгоритма “Логическая Помеховая Фильтрация” для выхода, формируемого как в предыдущем случае («сгущение»). Пусть выбрана апертура и фиксированы два параметра селекции:
- верхнее граничное значение ,;
- нижнее граничное значение ,.
Пусть число единиц в апертуре равно. ППР этого фильтра имеет вид:
1) заполнить единицами всю апертуру, если
2) заполнить нулями всю апертуру, если
3) перенести на отфильтрованное изображение все пиксели апертуры без изменений, если .
Этот фильтр может одновременно выполнять и функцию подавления помех и функцию обнаружения мелкоразмерных объектов.
Селекция по площади
Этот алгоритм напоминает предыдущий, однако имеет совершенно иное назначение.
Пусть определены размераи параметрыи: . ППР имеет вид:
1) заполнить апертуру единицами, если ;
2) заполнить апертуру нулями, если .
Этот фильтр предназначен только для обнаружения мелкоразмерных объектов, а также при определенном выборе ,и способен выделять контуры крупных объектов на изображении. Для помеховой фильтрации не применяется.
Пеленг
Одной из важнейших характеристик фильтров является их быстродействие. Очевидно, что время работы фильтра пропорционально числу опрашиваемых элементов, т.е. размеру апертуры. Предположим, что нужно обнаружить на изображении некоторый объект значительных размеров. Можно сделать это, например, при помощи сгущения с соответствующей апертурой и значениемили аналогично с помощью селекции с восстановлением или селекции по площади. Однако размер апертурыв этом случае будет пропорционален не линейному размеру искомого объекта, а его квадрату (рис. 3.2.50).
а) б)
@Рис. 3.2.50. Принцип действия фильтра «пеленг».
Наиболее простое решение заключается в следующем. Выделим несколько характерных направлений , по которым искомый объект обладает наибольшей протяженностью, и расположим вдоль этих направленийлинейных апертур соответствующей длины. Теперь для обнаружения объекта достаточно объявить частные решения по каждой из апертур.
В данной реализации фильтра выбраны четыре направления, два - параллельные осям и(направленияи), и два – вдоль направлений под к осям и(направленияи), как показано на рис. б. Пусть длина апертуры по направлению равна , по направлениюравна, по направлениюравнаи по направлениюравна. Пусть фиксированы также,,,:.Тогда для пеленгующего фильтра ППР примет вид:
Согласно с ППР, если найден объект на обрабатываемом изображении, то на выходном изображении устанавливается в “1” только лишь один пиксель, соответствующий базовому пикселю (комбинированной апертуры) на обрабатываемом изображении.
Таким образом, пеленг в каком-то смысле является логической комбинацией процентильных фильтров. Возможны и другие варианты таких логических комбинаций.
Пеленг с окаймлением
Этот алгоритм служит для случая, когда на изображении могут присутствовать объекты еще большего размера, чем искомый. Тогда пеленгующий фильтр сработает во всех точках объектов (не являющихся искомыми), таких что его апертуры целиком поместятся на объекте (рис. 3.2.51).
Поэтому необходимо добавить ещё одно условие, которое ограничивало бы размер обнаруживаемого объекта сверху. Эта можно сделать, добавив в ППР ещё один процентильныйфильтр,но с решением по нулю для апертуры в виде описанной рамки –окаймления, как это сделано на рис. б. Пусть фиксировано,- число пикселей в окаймлении. ППР для пеленга с окаймлением будет иметь вид
Пеленг с окаймлением гарантирует, что обнаруженный на зашумлённом изображении объект является изолированным объектом, а не частью большегополя единиц.
а) , б)
@Рис. 3.2.51. Принцип действия фильтра «пеленг с окаймлением».
- «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.