Операторы вычисления производных
Задачу поиска контурных точек действительно удобно решать в терминах производных. Однако при этом необходимо иметь в виду следующие два существенных замечания. Во-первых, говоря о взятии производных двумерной функции, мы говорим о целой совокупности разнообразных операторов. Под первой производной может пониматься как вектор-градиент, характеризуемый амплитудой и направлением, так и различные производные по направлению, определяемые только одним значением. Под второй производной также могут подразумеваться различные двумерные дифференциальные операторы. Во-вторых, задача вычисления производных на дискретном зашумленном изображении является, вообще говоря, некорректной (по Адамару). Как показано в работах школы академика Тихонова [42], эту задачу можно сделать корректной при помощи регуляризации, то есть путем наложения на функцию f(x,y) и ее производные дополнительных условий. В практическом плане это означает, что прежде, чем взять производную, изображение необходимо отфильтровать (сгладить) тем или иным способом.
Наиболее простым методом выделения края, не основанным на дифференцировании, является метод «сенсорных пар». Суть этого метода обнаружения «ступенчатого» края состоит в непосредственной оценке величины перепада яркости для кусочно-постоянной модели изображения. Для этого в каждой точке изображения рассматриваются пары прилегающих «сенсорных полей» прямоугольной формы, граница между которыми проходит через исследуемый пиксель. Оценивается средние значения яркости для каждого сенсорного поля отдельно, и модуль разности между ними характеризует интенсивность перепада яркости в данной точке в направлении, перпендикулярном границе сенсорных полей. На области постоянной яркости будет зафиксирован нулевой перепад, а в точках контура – максимальный (если ориентация сенсорной пары соответствует ориентации контура в этих точках). Хотя для теоретического обоснования метода нет необходимости в предположении о дифференцируемости функции яркости, легко заметить, что вычисляемое значение, в некотором смысле, является аналогом производной по направлению. Поэтому оператор «сенсорная пара», вычисляющий в каждой точке перепад яркости для конкретной ориентации сенсорных полей, не является инвариантным к повороту. Поэтому на практике всегда используется набор из нескольких (как правило, шести) различным образом ориентированных сенсорных пар. После обработки изображения полным набором сенсорных пар, каждая точка характеризуется ориентацией сенсорной пары, для которой было вычислено максимальное значение перепада яркости, и величиной этого максимального перепада. Таким образом, применение набора сенсорных пар дает результат, аналогичный градиенту (в форме «угол–амплитуда»), причем ориентация определяется достаточно грубо, выбором одного из нескольких фиксированных направлений.
Из методов обнаружения края при помощи различных дифференциальных операторов на сегодняшний день наиболее широко используются следующие операторы: Робертса (Roberts), Собела (Sobel), Марра (Marr) и Кани (Canny).
- «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.