Изображения различной физической природы
Акустические изображенияактивно используются в геологии, промышленности и медицине.Ультразвуковые изображенияприменяются в множестве областей промышленности итехники, но наиболее известно их применение в медицине – для получения внутриматочных изображений человеческого плода в утробе матери, а также для быстрой инспекции патологий различных внутренних органов человека. Следует отметить, что медицинское ультразвуковое изображение содержит не просто интенсивность отраженного ультразвукового сигнала, а еще и дальность до отражающей поверхности, вычисленную на основе расчета скорости распространения ультразвукового сигнала в человеческих тканях.
Двумерные поля дальностейформируются на основе анализа электромагнитных сигналов, испускаемых и принимаемых по локационной схеме. В качестве таких дальнометрических систем в последние годы все чаще используютсялазерные локаторы, позволяющие осуществлять оптическое сканирование трехмерных поверхностей с больших расстояний (до десятков километров), обеспечивая при этом максимально возможное разрешение. Так же, как и в случае ультразвуковых картин, дальнометрический локатор сканирует поверхность, испуская серии коротких волновых импульсов, отражения которых от поверхности объекта регистрируются приемником локатора, после чего рассчитывается время прохождения импульса до объекта и обратно, откуда окончательно определяется дальность до точки поверхности объекта. Получаемое изображение называется в таком случаекартой глубини содержит непосредственные значения расстояний от локатора до точек поверхности объекта – то есть непосредственно измеренный трехмерный рельеф данной поверхности. Двумерные поля дальностей находят широкое применение в области картографии, дистанционного зондирования Земли, технических измерений и технического контроля в промышленности и многих других областях.
Двумерные поля скоростейформируются аналогичным образом – за счет излучения и приема волновых импульсов. Однако пиксели таких изображений содержат уже не значения расстояний до соответствующих точек, а значения скоростей движения этих точек отражающей поверхности. Вычисление скоростных характеристик осуществляется за счет анализадоплеровского сдвигаотраженного сигнала. В таком случае говорят, что локационное изображение имеет смыслкарты скоростей, а локатор работает в режимеСДЦ(селекции движущихся целей). Двумерные поля скоростей используются в системах различного назначения преимущественно в целях выделения движущихся объектов.
В заключение данного краткого обзора изображений различной физической природы необходимо отметить, что многие современные системы зрения основаны не на анализе изображений одного типа, а на комплексировании(fusion) двумерных данных, получаемых в различных диапазонах длин волн, а также данных, получаемых от устройств, основанных на различных физических принципах. В частности, в области исследований Земли из космоса стандартом сталамультиспектральная съемка(съемка Земной поверхности одновременно в нескольких диапазонах видимого света и ближнего ИК). Получаемые в результатемногозональные изображения,каждый пиксель которых имеет целый вектор значений, полученных в близких, но отличающихся спектральных диапазонах, позволяют с высокой надежностью автоматически выделять на этих изображениях области растительности разного вида, различные типы почв и т.д. и т.п. В последние годы речь идет уже не о многозональной, а огиперспектральнойсъемке, при которой задействуются уже не несколько, а десятки и даже сотни близко расположенных узких волновых диапазонов. С другой стороны, комбинирование источников изображений различной физической природы позволяет удачно «поделить» между ними функции единой системы машинного зрения. Например, робототехническая система, объединяющая установленные на единой платформе телекамеру высокого разрешения, тепловизор и локатор в режиме СДЦ имеет возможность быстро автоматически выделить в поле зрения только теплые движущиеся объекты, после чего внимательнее рассмотреть и проанализировать их форму и характеристики на детальном изображении видимого диапазона.
@Рис.1.1.3. Пример многоспектральных изображений. Показаны изображения городской сцены в ТВ и двух ИК диапазонах (3-5 и 8-14 мкм).
- «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.