Upload
dangthuan
View
220
Download
0
Embed Size (px)
Citation preview
INTELLIGENTE DATENANALYSE IN MATLAB
Bildanalyse
Michael Brückner/Tobias Scheffer
Bildanalyse
Literatur
D id A F h C Vi i A M d
Literatur
David A. Forsyth: Computer Vision – A Modern Approach.M k S Ni d Alb t S A d F t Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing.
Ulrich Schwanecke Vorlesung Echtzeit Bildverarbeitung Ulrich Schwanecke: Vorlesung Echtzeit Bildverarbeitung an der FH Wiesbaden.http://www.mi.fh-wiesbaden.de/~schwan/Vorlesungen/RIP
20.07.2009Michael Brückner/Tobias Scheffer2
Motivation
Bild l di fü hl i h A d
Motivation
Bildanalyse notwendig für zahlreiche Anwendungen: Suche nach Bildern mit/ohne Textbeschreibung (Tags). S h h äh li h Bild b w Cl t Bild Suche nach ähnlichen Bildern bzw. Clustern von Bildern. Partitionierung bzw. Identifizieren von Objekten in einem Bild
(z.B. Gesichter, Buchstaben/Zahlen, Barcode).( , / , ) Klassifikation dieser Objekte (z.B. OCR). Rekonstruktion von 3D-Objekten aus mehreren Bildern. Bildbearbeitung und -kompression (z.B. Entfernen von
Störungen, Vermeidung von Artefakten).
20.07.2009Michael Brückner/Tobias Scheffer3
Problemstellung
Bild l D b i Bild
Problemstellung
Bildanalyse = Datenvorverarbeitung von Bildern. Gegeben: Bilder, d.h. Matrizen mit Grau-/Farbwerten. Gesucht: Numerische Attribute welche das Bild
möglichst gut beschreiben.U Äh li hk i i h Bild b i Um Ähnlichkeit zwischen Bilder zu bestimmen,
Um Bilder zu Partitionieren usw.
Betrachten nur Feature-Extraktion. Weitere Datenanalyse basiert auf diesen Features Weitere Datenanalyse basiert auf diesen Features.
20.07.2009Michael Brückner/Tobias Scheffer4
Feature-Extraktion
B i i l
Feature Extraktion
Beispiel:
20.07.2009Michael Brückner/Tobias Scheffer5
Farben
P k b i S i ik 1 O d
Farben
Punktbasierte Statistik 1. Ordnung: Helligkeit. K t t Kontrast. Verteilung/Histogramm. Entropie/Anisotropiekoeffizient. Entropie/Anisotropiekoeffizient.
Punktbasierte Statistik 2. Ordnung: Co-Occurence-Matrix. Co Occurence Matrix.
Berechnung pro Kanal bei farbigen (mehrkanaligen) Bildern.
20.07.2009Michael Brückner/Tobias Scheffer6
Farben
H lli k i
Punktbasierte Statistik 1. Ordnung
Helligkeit: Mittlerer Grauwert.
92,59g 153,32g
20.07.2009Michael Brückner/Tobias Scheffer7
,g g
Farben
K
Punktbasierte Statistik 1. Ordnung
Kontrast: Globaler Kontrast = Maximaler Unterschied zwischen
Grauwerten eines BildesGrauwerten eines Bildes. Lokaler Kontrast = Maximaler Unterschied zwischen
Grauwerten benachbarter 4 (bzw. 8) Pixel. Mittlere quadratische Abweichung (Varianz).
20.07.2009Michael Brückner/Tobias Scheffer8
Farben
V il /Hi
Punktbasierte Statistik 1. Ordnung
Verteilung/Histogramm: Wahrscheinlichkeitsdichte für Farb-/Grauwerte.
20.07.2009Michael Brückner/Tobias Scheffer9
Farben
V il /Hi
Punktbasierte Statistik 1. Ordnung
Verteilung/Histogramm: Bei dunklem Bild mit wenig Kontrast viele kleine Grauwerte. B i h ll Bild it w i K t t i l ß G w t Bei hellem Bild mit wenig Kontrast viele große Grauwerte. Bild mit vorwiegend einem dunklen und einem hellen Bereich
erzeugt Histogramm mit zwei lokalen Maxima.g g
20.07.2009Michael Brückner/Tobias Scheffer10
Farben
I f i h l
Punktbasierte Statistik 2. Ordnung
Informationsgehalt: Entropie: 2
H ( ) log ( )bit
p g p g
Relative Häufigkeit des Grauwerts g
Durchschnittliche Anzahl benötigter Bits (0 bis bit) für Pixelmenge. Maß für maximale Kompression durch Reduktion von
0( ) g ( )
gp g p g
Signalredundanz.
Anisotropiekoeffizient:( ) l ( )k
Entropie der 50% kleinsten Grauwerte
wobei k der kleinstmögliche Grauwert ist mit .
0( ) log ( )
H
k
gp g p g
( ) 0,5k
p g Maß für die Symmetrie eines Histogramms.
20.07.2009Michael Brückner/Tobias Scheffer11
0g
Kanten & Flächen
E Abl i i idi i l G
Kantenerkennung
Erste Ableitung einer zweidimensionalen Grauwert-funktion f ist ein Vektor (Gradient) Dessen Richtung orthogonal zur Kante verläuft Dessen Richtung orthogonal zur Kante verläuft, Der von „dunkel“ nach „hell“ zeigt, und Dessen Länge ein Maß für die „Kantenstärke“ ist. Dessen Länge ein Maß für die „Kantenstärke ist.
20.07.2009Michael Brückner/Tobias Scheffer12
Kanten & Flächen
A i i d 1 /2 Abl i i P i i i
Kantenerkennung
Approximation der 1./2. Ableitung an einer Position im Bild durch Differenzen zu benachbarten Grauwerten: Erkennung mittels erster Ableitung (z B Prewitt Sobel Filter) Erkennung mittels erster Ableitung (z.B. Prewitt-, Sobel-Filter). Erkennung mittels zweiter Ableitung (z.B. Laplace-, LoG-Filter).
20.07.2009Michael Brückner/Tobias Scheffer13
Kanten & Flächen
G i P i i i Bild i i l G
Glättung
Grauwert an einer Position im Bild ist mittlerer Grau-wert benachbarter Pixel: Rechteck Filter Rechteck-Filter. Gauß-/Binomial-Filter.
20.07.2009Michael Brückner/Tobias Scheffer14
Muster & Texturen
K l (F l ) A d F l
Konvolution
Konvulation (Faltung) = Anwenden eines Filters:
20.07.2009Michael Brückner/Tobias Scheffer15
Muster & Texturen
K l (F l ) A d F l
Konvolution
Konvulation (Faltung) = Anwenden eines Filters:
20.07.2009Michael Brückner/Tobias Scheffer16
Muster & Texturen
K l (F l ) A d F l
Konvolution
Konvulation (Faltung) = Anwenden eines Filters:
20.07.2009Michael Brückner/Tobias Scheffer17
Muster & Texturen
B l f A d T F l
Konvolution
Beispiel für Anwendung eines Textur-Filters:
20.07.2009Michael Brückner/Tobias Scheffer18
Zusammenfassung
E t kti F bi f ti
Zusammenfassung
Extraktion von Farbinformationen: Punktbasierte Statistik 1. und 2. Ordnung.
Informationen über Kanten & Flächen: Informationen über Kanten & Flächen: Kantenerkennung/-verstärkung/-filterung. Glättung/Rauschfilter.
Muster & Texturen (Anwenden von allgmeinen Filtern): Konvolution.
W it I f ti üb F F Weitere Informationen über Form, Frequenzen usw.: Hough-Transformation. Fourier-Transformation. …
20.07.2009Michael Brückner/Tobias Scheffer19