Архив рубрики: Компьютерное зрение

Поиск объектов на изображении

Базовые методы: Цветовые фильтры. Выделение и анализ контуров. Сопоставление с шаблоном. Работа с особыми точками. Методы машинного обучения. Машинное обучение — для решения задач обнаружения и распознавания, которые сводятся к построению классификатора изображений. Классификатор изображений состоит из двух частей: метод извлечения признаков (feature extractor) и собственно классификатор. Способы построения классификатора изображений: Гистограмма направленных градиентов (Histogram… Читать далее »

Алгоритмы вычитания фона.

Обнаружение объектов методом Оцу: Из гистограммы человек легко видит, что имеется два четко разделяющихся класса точек (объекта и фона). Суть метода Оцу заключается в том, чтобы выставить порог между классами таким образом, чтобы каждый их них был как можно более «плотным». Если выражаться математическим языком, то это сводится к минимизации внутриклассовой дисперсии. При решении задачи идентификации… Читать далее »

Поиск похожего изображения

Поиск похожего изображения Сначала конкретизируем задачу. Что такое “похожие” изображения? Это — собачка определенной породы, детский школьный рюкзак,  … Прежде всего необходимо  определить метрику похожести изображений. Метрика может отличаться от задачи к задаче. Например, нам нужно находить картинки, близкие по цветовой гамме, по формам объектов или как определить фотографии одной и той же собаки в разных… Читать далее »

Выделение особенностей на изображении

Особенности (features) – точечные участки (особые точки), которые чем-то выделяются на изображении: углы; пятна (Blob); особые точки линий (ответвления, окончания, пересечения …). Подходы к определению особых точек: на основе интенсивности точек изображения; использование контуров изображения; использование модели-шаблона. Требования к особым точкам: Отличимость (distinctness) – особая точка должна  быть отличимой в своей окрестности. Инвариантность (invariance) – … Читать далее »

Сегментация

Сегментация — выделение областей, однородных по какому-либо критерию, например по яркости. Существуют два альтернативных подхода к решению задачи сегментации: путем выделения границ областей; путем наращивания точек области. Первый подход основан на идее “разрывности” свойств точек изображения при переходе от одной области к другой.  При этом выделение границ областей позволяет идентифицировать и сами области. Второй подход реализует стремление… Читать далее »

Выделение, отслеживание и описание контуров

Выделение контуров — определение набора пикселей, которые проходят на границе между двумя областями изображения. Отслеживание контуров (векторизация) — представление граничных точек контура последовательностью из множество точек контура. Описание контуров — определение линий, которыми аппроксимируется последовательность из множество точек контура. Выделение контуров Теория Под контуром изображения будем понимать точки, между которыми происходит изменение значений яркости яркости. Изменение яркости характеризуется высотой… Читать далее »

Предварительная обработка изображений

Предварительная обработка изображения — процесс улучшения качества изображения, ставящий целью получение на основе оригинала максимально точного и адаптированного для автоматического анализа изображения . Среди дефектов цифрового изображения можно выделить следующие виды: Цифровой шум Цветовые дефекты (недостаточные или избыточные яркость и контраст, неправильный цветовой тон) Размытость (расфокусировка) Методы предварительной обработки изображений зависят от задач исследований и могут включать… Читать далее »

Алгоритмы cжатия изображений

Сжатие – представление информации в более эффективном виде, влекущее за собой уменьшение объема данных (как правило). В основном алгоритмы сжатия используют свойства графических данных: избыточность – группы одинаковых символов; предсказуемость – часто повторяющиеся одинаковые комбинации символов; необязательность – данные, мало влияющие на человеческое восприятие. Оценки методов сжатия: степень сжатия – отношение объема сжатого файла к… Читать далее »

Геометрическая модель камеры

Последовательно перейдем от модели камеры обскура к модели центральной проекции (перспективы) и затем к системе координат снимка. Для этого перенесем объект на противоположную сторону относительно диафрагмы (центра проекций), сохраняя фокусное расстояние. При этом изображение перевернем. С экраном (плоскостью проекций) совместим систему координат. Значение координаты z = F-L. При F>L значение координаты z положительно:   Перспективная… Читать далее »

Формирование изображения в цифровой камере

Начнем с простого. Рассмотрим простейшую камеру (Камера-обскура) От каждой из точек объекта отражаются лучи света. Отверстие в преграде  пропускает только лишь один луч. Если не установить преграду, то на пленке получим бессмысленное изображение. Отверстие в преграде называется апертурой или диафрагмой. В реальности оно пропускает больше одного луча. При этом точка отображается на пленке пятном. Если… Читать далее »