Цифровые и аналоговые устройства
Говоря о существенных характеристиках приемников изображений, необходимо упомянуть о том, что выходной сигнал устройства, непосредственно регистрирующего изображение, может быть цифровымилианалоговым.
Аналоговый видеосигнал формируется аналоговыми видеокамерами иливидеомагнитофонами. Как правило, в этом плане вы можете столкнуться со стандартными видеосигналами в форматеPAL,SECAMилиNTSC. Для того, чтобы ввести аналоговый видеосигнал в компьютер в виде цифрового изображения или последовательности цифровых изображений, необходимо использовать специальное дополнительное оборудование –устройство видеовводаилифреймграббер. Фреймграббер представляет собой аналогово-цифровой преобразователь и одновременно декодер формата изображения, который позволяет непосредственно подключить на вход видеосигнал от аналоговой камеры, телевизионной антенны или видеомагнитофона, после чего данные в цифровом формате начинают поступать в компьютер по шине данных (например, по шинеPCI, если это встроенная плата видеоввода сPCI-разъемом), либо через один из внешних портов, если это внешний фреймграббер, выполненный в виде отдельного устройства. В современных технических системах, как правило, используются встроенные фреймграбберы, обеспечивающие более высокую скорость передачи данных. Большинство современных фреймграбберов позволяют осуществлять оцифровку аналоговых сигналов всех стандартных типов, однако, контроль за тем, чтобы выбранные параметры оцифровки соответствовали характеристикам оцифровываемого сигнала, в большинстве случаев ложится на пользователя.
Цифровые камеры,цифровые фотоаппаратыицифровые сканерысразу формируют изображение в цифровом виде таким образом, что оно может быть введено в компьютер через тот или другой стандартный канал для ввода цифровых данных. Еще несколько лет назад для цифрового обмена данными большинство устройств использовали такие порты:последовательный порт (serial port),параллельный порт (parallel port)и портRS-232/464. Это были достаточно «узкие» каналы, существенно ограничивавшие скорость передачи цифровых видеоданных. Практически о передаче по ним видеоданных в реальном масштабе времени не могло быть и речи. На сегодня наиболее распространенным интерфейсом, используемым в бытовых устройствах видеоввода, являетсяUniversal Serial Bus (USB). Первая версия этого порта обеспечивала невысокую пропускную способность канала, в связи с чем для промышленных приложений в основном использовались другие специализированные порты/протоколы:IEEE 1394 (FireWire) и Camera Link. Однако новый стандартUSB-2вплотную приблизил технологиюUSBк потребностям профессиональных разработчиков, в результате чего стали появляться и профессиональные промышленные системы, ориентированные на ввод поUSB-каналу. Камеры для видеонаблюдения (IP-камеры) в качестве канала передачи видео по сети используютEthernet. Теперь уже и многие камеры для технического зрения используютGigabitEthernetв качестве основного канала вывода информации. Таким образом, в настоящее время в промышленных системах технического зрения могут использоваться все упомянутые типы цифровых каналов ввода. Выбор конкретного канала определяется на этапе проектирования системы в зависимости от особенностей каждой конкретной задачи.
- «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.