Геометрические преобразования изображений
На закладке «Геометрия» представлен набор фреймов, реализующий различные геометрические преобразования над изображениями, в т.ч. аффинное и перспективное.
Также операции геометрических преобразований реализованы в фреймах Trnsf2_1 иTrnsf1_1, находящихся в закладке «Писофт 8.0».
На рис. 2.6.23 и рис 2.6.24 показаны схемы, реализующие аффинное и ортогональное преобразования с осуществлением привязки точек первого изображения к соответствующим точкам второго. В два фрейма ImImport1 иImImport2 источников данных загружены изображения (окна слева и центральное), повёрнутые на 90 градусов друг относительно друга. Расставим на каждом изображении по 3 маркера, по которым фреймTrnsf2_1 произведёт привязку. Результирующие изображения выведены в правые окна (рис. 2.6.23 и рис 2.6.24). Заметим, что в окне диалогаInformation(рис. 2.6.24) значение параметраFiRadугла взаимного положения изображений равен 1,566, что подтверждает, что изображения повёрнуты друг относительно друга на 90 градусов.
Рис. 2.6.23. Аффинное преобразование. Привязка точек первого изображения к соответствующим точкам второго. В двух первых окнах слева направо находятся исходные изображения. В третьем окне – результат.
Рис. 2.6.24. Ортогональное преобразование. Привязка точек первого изображения к соответствующим точкам второго. В двух первых окнах слева направо находятся исходные изображения. В третьем окне – результат.
Фрейм RTransfпроизводит произвольное резиновое преобразование над изображением. На исходном изображении необходимо задать нужное количество векторов (не менее одного), в окрестности которых произойдёт резиновая деформация таким образом, что точки начала каждого вектора будут перемещены в конечные точки соответствующих векторов, а пикселы в окрестности векторов будут перемещены (пересчитаны) согласно формуле, моделирующей характер резиновых искажений.
На исходное изображение в окне слева (рис. 2.6.25) нанесены два вектора в направлении слева направо и навстречу друг другу. Фрейм RTransf1 реализует преобразование в направлении заданных векторов (изображение в центре), а фреймRTransf2, в котором выбран пункт меню «Инверсия» (рис. 2.6.25), выполняет преобразование в направлениях противоположных заданным. Т.е. для каждого вектора в направлении из конечной точки в его начало. Полученное изображение помещено в окно справа.
Рис. 2.6.25. Резиновое преобразование. Окна изображений слева направо: исходное изображение с нанесёнными векторами, вдоль которых происходит преобразование; трансформированное изображение вдоль заданных векторов; трансформированное изображение вдоль направлений противоположных заданным
Ещё один полезный фрейм в закладке «Геометрия» – фрейм Fragвырезки фрагмента изображения (2.6.26) позволяет с помощью мыши вырезать прямоугольный фрагмент загруженного изображения, указывая левый верхний и правый нижний углы прямоугольника. В математическом плане, кроме вырезки фрагмента, эта операция позволяет моделировать сдвиг в плоскости изображения.
Рис. 2.6.26. Меню фрейма Fragвырезки фрагмента изображения.
- «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.