Click here to load reader

Elaborazione delle immagini e Pattern fedele/teaching/PatternRecognition.pdf · PDF fileProgramma dei seminari Casi reali e discussione di sistemi completi di riconoscimento Cenni

  • View
    223

  • Download
    0

Embed Size (px)

Text of Elaborazione delle immagini e Pattern fedele/teaching/PatternRecognition.pdf · PDF...

  • Elaborazione delle immaginie Pattern Recognition

    Giovanni Scavello

  • Programma dei seminariDescrizione matematica

    Spazi colore

    Operazioni comuni

    Filtraggio (bordi, espansione del contrasto, etc...)

    Rappresentazione dei contorni (chain code)

    Morfologia (dilatazione, erosione, apertura e chiusura morfologica)

    Cross section

    Nozioni di base del trattamento delle immagini

  • Programma dei seminariI meccanismi della percezione umana e i problemi del riconoscimento automatico

    Tecniche di segmentazione

    Componenti connesse

    Maschere

    Soglia

    Tecniche di costruzione delle features

    Metodi per il riconoscimento

    template matching

    reti neurali

    support vector machine

    Introduzione ai problemi legati al riconoscimento automatico e agli strumenti per il pattern recognition

  • Programma dei seminari

    Casi reali e discussione di sistemi completi di riconoscimento

    Cenni alla libreria OpenCV

    Riconoscimento targhe (elaborazioni immagini in scala di grigio, pattern matching)

    Riconoscimento segnali (spazio colore, riconoscimento forme, support vector machine)

  • Introduzione

    Oggetto reale

    Informazione chearriva al cervello

  • Introduzione

    FileColazione.jpg

    DSP

    0101000111010001

    Oggettoreale

    Informazione chearriva all'elaboratore

  • Parte primaImage Processing

  • Introduzione

    Immagine diinput

    Algoritmi e tecnichedi

    Image processing

    Immagine dioutput

    Processo diacquisizione

    e codifica

  • Matematica delle immagini

    :2n

    :2 :24:23

    Scala di grigiBianco e nero

    RGB, HSV, LUV CYMK

    f x , y=[l ] f x , y=[l1, l 2, l3] f x , y=[l1, l 2, l3, l 4]

  • Le immagini digitali

    Immagine reale

    Griglia(risoluzione spaziale)

    Valore del pixel(quantizzazione) Scala dei valori

    possibili(livelli di grigio)

  • Gli spazi di colore

    SCALA DI GRIGI K bit 2^K livelli di grigio Casi particolari:

    Bianco e nero (1 bit) Scala di grigi comune

    (8 bit) Immagini mediche

    ( 12 bit)

  • Gli spazi di colore

    RGB K bit 2^K livelli di grigio 3 canali (piani immagine)

  • Gli spazi di coloreHSV Hue [0, 360] Saturation [0, 1] Value [0, 1] 3 canali

  • Gli spazi di coloreCYMK Ciano Giallo Magenta Nero

  • Operazioni comuni

    Operatori puntuali Operatori locali

    Immagine digitalizzata

    Matrice (scala di grigi)o

    Set di Matrici (Spazi colore RGB, HSV, CYMK)

    I 1immagine di input , I 2 immagine di outputI cmatrice di convoluzione

    I 2=I 1I c

    I 1immagine di input , I 2 immagine di output

    I 2x , y= f {I 1 x , y }

  • Operatori puntualiI 2 x , y =I 1 x , y l aumento /diminuzionedella luminosit

    OriginaleDiminuzione della luminosit Aumento della luminosit

  • Operatori puntualiI 2 x , y =

    I 1 x , y l

    restrizionedella scala dei grigi sottocampionamento intensit di valore

    Originale I 2x , y =I 1x , y

    8

  • Operatori puntualiI 2 x , y =aI 1 x , y baumentodel contrasto

    OriginaleI 2 x , y =

    [ I 1x , y MIN {I 1}]MAX greyMAX {I 1}MIN {I 1}

  • Operatori locali(convoluzione discreta)

    h1 h2 h3

    h6

    h9h8h7

    h4 h5

    f32 f33 f34

    f44

    f54f53f52

    f42 f43

    ( )jif ,

    ( )jih ,

    549538527

    446435424

    34333232143

    fhfhfhfhfhfhfhfhfhg

    ++++++++=

    ( )jig ,

    qp

    r s

    f 1 p= p32f 2 p= pqr20s

    35

    2 0

    f 1 p=13f 2 p=6

    35

    2 1

    f 1 p=13f 2 p=26

  • Sfumatura (smoothing)

    I c=125 [1 1 1 1 11 1 1 1 11 1 1 1 11 1 1 1 1

    1 1 1 1 1]

  • Incremento dei dettagli (Laplaciano)

    I c=[ 0 1 01 5 10 1 0 ]

  • Contorni (I - Estrazione)

    {x=[1 0 12 0 21 0 1 ] y=[ 1 2 10 0 01 2 1 ]}Operatore di Sobel

  • Contorni (II - memorizzazione)

    C1 : {P1,[3333 43567777 7701] , antiorario}

    C0 : {P0, [0 076765 45 4355366111 ] , orario}

    x

    y

    M

    N

    M=16,N=17,MN=272

    l C0=19l C1=16

    l C0l C1=35 x1, y1

    x0, y0

    3 2 14 p 05 6 7

  • Cross Section

    C X =I f 1 z , f 2 z

    X

    C(X)

  • Operazioni morfologiche (I)Erosione/Dilatazione

  • Operazioni morfologiche (II)Apertura/Chiusura

  • Conclusioni

    Problema della rappresentazione della realtCenni alle basi matematicheOperazioni fondamentali

    Grazie per l'attenzione

  • Parte SecondaPattern Recognition

  • Visione e Interpretazione (I)

    Luminosit e contrasto

    Acutezza e definizione dei contorni

    Colore Spazio e forma

  • Visione e Interpretazione (II)

    http://www.sitopreferito.it/html/illusioni_ottiche.html

  • Il problema della segmentazione (I)

  • Il problema della segmentazione (II)

    A seconda del cam

    po di utilizzo del

    sistema ALPR le im

    magini che

    devono essere ela

    borate possono

    essere soggette a

    varie tipologie di

    deformazioni e dis

    turbi, alcune

    legate alle modalit

    con cui viene

    acquisita l'immagi

    ne (auto in

    movimento, posizi

    one obliqua della

    targa rispetto all'ap

    parato di

    acquisizione, etc.

    ) mentre altre

    dipendenti dalle co

    ndizioni

    ambientali (sporciz

    ia e usura della

    targa, illuminazion

    e, complessit

    dello sfondo della s

    cena, etc.) .

  • Componenti connesse

  • Overlay

    I 3x , y={I 2 x , y , I 1 x , y00,altrimenti }

    I 1I 2

  • Operatori di soglia (I)

    I 2 x , y ={0, I 1x , y1, altrimenti }

  • Operatori di soglia (II)

  • Operatori di soglia (III)

  • Estrazione di features

    OGGETTO

    PROBLEMA

    SCELTA FEATURES

    INFORMAZIONE MINIMA

  • Esempi di features (I)

    f =[ alfa , alfabeta , cr , alfa , ]

  • Esempi di features (II)

    5x5

    30

    3 0

    x

    y

    Proiezione-y

    Proiezione-x

    Proiezione diagonale secondaria

    Proiezione diagonale principale

  • Esempi di features (III)

  • Classificazione di pattern

    Pattern recognition: l'intelligenza umana riconosce una struttura generativa invisibile comune a due forme visibili diverse. Per il momento questa operazione una nostra prerogativa, che le macchine non hanno ancora imparato.

    Nel mondo algoritmico la ricerca di somiglianze, o il riconoscimento di strutture nascoste (pattern recognition) permettono di conferire lo stesso senso a segni diversi che hanno qualcosa in comune;nel mondo facsimilare, dove ogni replica per definizione visivamente identica alla matrice, se un segno ha un significato un altro segno, anche solo marginalmente diverso, ha un altro significato o non ne ha.

    E c' una certa ironia nel fatto che la nuova cultura delle macchine ma una cultura di nuove macchine, che Lewis Mumford avrebbe chiamato neotecniche avr, oltre a tante altre conseguenze, anche quella di riformare la percezione, che torner a essere ci che in un certo senso sempre stata, con l'eccezione del plurisecolare interludio tipografico: non un'operazione meccanica ma un'estensione organica dell'intelligenza umana.

  • Template Matching

  • Classificare features

  • Reti Neurali

  • Support Vector Machine

  • Grazie per l'attenzione

  • QUALUNQUE TECNOLOGIA

    SUFFICIENTEMENTE AVANZATA E'

    INDISTINGUIBILE DALLA MAGIA

  • Elaborazione delle immaginie Pattern Recognition

    Riconoscimento automaticodi targhe automobilistiche

  • Riconoscimento targheDIFFICOLT

  • L'algoritmo proposto

  • Localizzazione

  • Estrazione di bordi

    Immagine originale Risultato dell'operatore di Sobel

  • Localizzazione

  • Localizzazione

  • Localizzazione

    Chiusura morfologica Apertura morfologica

  • Localizzazione

  • Analisi semantica

    TARGA

  • Localizzazione

  • Localizzazione

  • Localizzazione

  • Binarizzazione

    Algoritmo di Otsu:Basato su metodi statisticiAnalizza la distribuzione deilivelli di grigioMassimizza la separazionedegli oggetti dallo sfondo

  • Estrazione dei caratteriTRATTAMENTO DEI DISTURBI

    DISTURBI CARATTERISTICI

  • Estrazione dei caratteriBINARIZZAZIONE

  • Segmentazione

    Analisi componenti connesse

    Caratteri segmentati sull'immagine originale

  • Riconoscimento

    Matching

  • Esempi di localizzazione

  • Esempi di riconoscimento

  • Elaborazione delle immaginie Pattern Recognition

    Riconoscimento automaticodi segnali stradali

  • Analisi del problemaVariabilit delle condizioni luminose

  • Analisi del problemaVariabilit della posizione lungo la strada

  • Analisi del problemaDistorsioni dovute alla prospettiva

  • Analisi del problemaOcclusioni

  • Schema del sistema di riconoscimento

  • Creazione degli overlay

  • Estrazione features forma

  • Segmentazione ed estrazione features segnali

    CLASSIFICATORE SVM

  • Riconoscimento dei segnali

Search related