Segmentacija Tekstura Masinska Vizija

Embed Size (px)

Citation preview

UNIVERZITET U TUZLI MAINSKI FAKULTET

SEMINARSKI RADTema: Predmet:

Segmentacija teksturaMainska vizija

Ime i prezime: Broj indexa: Odsjek: Datum:

Saa Bosanki III-59/05 Mehatronika 18.05.2011.god.

SADRAJ:1. UVOD 1.1. 1.2. 2. 3. Segmentacija slike Teksture 3 3 5 9 11 11 13 14 15

SEGMENTACIJA TEKSTURA SEGMENTACIJA TEKSTURA POMOU GABOR FILTERA 3.1. 3.2. Algoritam Rezultati primjene metode pomou Gabor filtera

4. 5.

ZAKLJUAK LITERATURA

1

POPIS SLIKA:

Slika 1.0. Ekstrakcija zelenih zrna pomou metoda amplitudne segmentacije Slika 1.1. Primjer segmentacije slike neuronskim mreama a) Originalna slika; b)Segmentirana slika Slika 1.2. Primjeri prirodnih tekstura Slika 1.3. Primjeri umjetnih tekstura Slika 2.0. Primjer segmentacije teksture Slika 3.0. Originalna pet teksturna slika iz Brodatz ove zbirke slika 256x256 Slika 3.1. Izgled filtriranih slika pomou Gabor filtera Slika 3.2. Rezultat segmentacije

2

1. UVOD1.1. Segmentacija slike

Segmentacija je postupak podjele slike na njene sastavne dijelove i objekte i najvaniji je korak prilikom automatske obrade slike. Segmentacija slike se bavi dekompozicijom slike u skup regija koje se ne preklapaju, a ija unija daje cijelu sliku. Svrha segmentacije je da rastavi sliku na delove na nain koji ima smisla u odreenoj aplikaciji. Npr. kod prepoznavanja dijelova segmentacija treba rastaviti sliku na objekat i njegovu pozadinu. Segmentacija sloenih slika moe biti veliki problem i ne moe se rijeiti jednostavnim metodama. Teko je definisati ta je to smislena segmentacija zato se u praksi obino trai da: Regije trebaju biti homogene s obzirom na neko svojstvo Unutranjost regija treba biti jednostavna i bez rupa Susjedne regije moraju biti znaajno razliite s obzirom na kriterijum uniformnosti Granice regija trebaju biti jednostavne, glatke i tane Problemi vezani za segmentaciju: Ne postoji konzistentna teorija segmentacije nego skup metoda koje se koriste u praksi. Ne postoji mjera za kvantitativnu ocenu rezultata segmentacije. Karakteristine metode za segmentaciju slike: 1. Amplitudna segmentacija (amplitude thresholding) -Amplitudna segmentacija je korisna kad amplitudne znaajke dovoljno precizno definiraju regije scene -engl. amplitude thresholding -Najee se za amplitudnu segmentaciju koristi histogram prvog reda.

Slika 1.0. Ekstrakcija zelenih zrna pomou metoda amplitudne segmentacije

3

2. Obiljeavanje komponenti (component labeling) -engl. component labeling -Jednostavna i efikasna metoda segmentacije binarnih slika je na osnovi ispitivanja povezanosti toke s njezinim susjedima i obiljeavanja povezanih skupova toaka -U nastavku je prikazana osnovna struktura algoritma za obiljeavanje komponenti

3. Metode koje koriste granicu objekta -engl. boundary methods -Ova grupa metoda vri segmentaciju objekata u slici na osnovi granica objekata -Granice objekata se mogu izdvojiti metodama: -Praenje granice -Interpolacije krivulja -Hough-ova transformacija

4. Metode koje koriste unutranjost objekta

5. Metode grupiranja (clustering techniques) -engl. clustering segmentation methods -Formulacija problema: Neka je x N-dimenzionalni vektor znaajki slike u toki (j,k). Segmentacija treba grupirati vektore tako da znaajke unutar jedne grupe budu uniformne

6. Segmentacija ekspertnim sustavima -Ideja ekspertnih sustava je da se umjetnim sustavom imitira znanje ljudskog eksperta odnosno omogui rjeavanje raznih problema -Najee su koriteni ekspertni sustavi temeljeni na pravilima (engl. rule-based expert systems) -Ekspertni sustavi obino su usko specijalizirani -Ekspertni sustavi koriste se u obradi, analizi i razumijevanju slika

7. Segmentacija neuronskim mreama -Umetnute neuronske mree su nelinearne mree koje pokuavaju imitirati funkcioniranje biolokih neuronskih mrea -Umetnute neuronske mree se sastoje od modela neurona koji su meusobno povezani -Postoji mnogo vrsta neuronskih mrea raznih topologija i naina rada i naina uenja

4

-Proces uenja koristi se za odreivanje nepoznatih parametara mree da bi se dobio eljeni odziv

(a)

(b)

Slika 1.1. Primjer segmentacije slike neuronskim mreama a) Originalna slika; b) Segmentirana slika

1.2.

Teksture

Teksture su neki uzorci na slici koji se ponavljaju unutar nekog omeenog dijela i na njemu su homogenog izgleda. Imaju sve veu vanost zbog jednostavnosti obraivanja tako da se koriste u velikom broju znanosti kao to su medicina ( ehografija, radiografija, MRI i druge u snimanjima srca, mozga, plua, kostiju i ostalih organa ), oceanografija ( odreivanje dna i njegovo pretraivanje ) , topografija ( snimanje reljefa ) , biologiji ( analize stanica ) i dr. Vane su i zbog toga to pored vizualnog olakanja u procesiranju omoguuju sve bolju automatizaciju procesa analize teksture. Zato se danas sve vie panje posveuje teksturama i utvrivanju naina njihove to lake analize. Neke analize i ve navedene primjene e biti prikazane u daljnjem tekstu. S obzirom da teksturu nije mogue tono definirati postoje brojne definicije teksture. Tako se tekstura moe definirati kao dio slike koji promatrau izgleda homogeno. Takoer, tekstura se moe definirati kao sve to nije ogranieno na slici. Tu su jo brojne definicije koje nema smisla sve navoditi.

5

Teksture se dijele na prirodne i umjetne. Prirodne teksture su sve teksture koje svakodnevno susreemo u naoj okolini: trava, kora drvea, kamen, slama, pijesak, itd. Najpoznatiju zbirku prirodnih tekstura napravio je Brodatz.

Slika 1.2. Primjeri prirodnih tekstura

Umjetne teksture su sastavljene od krugova, linija, itd. stavljenih na neutralnu podlogu, predstavljene su na slici 1.1.

Slika 1.3. Primjeri umjetnih tekstura

6

Pri obradi tekstura potrebno je definirati pojam primitiva sivih razina (gray level primitives) koji se mogu opisati kao prosjene razine pojedinog podruja. Pomou broja i tipova primitiva kao i njihovim prostornim rasporedom moe se opisati tekstura. Svojstva teksture kao to su finoa, sluajnost, linearnost mogu se takoer prikazati nekim svojstvima primitiva sivih razina i njihovim meusobnim djelovanjem. Jo jedna mogua podjela tekstura je na mikroteksture i makroteksture. Mikrotekstura se sastoji od primitiva malih dimenzija s ogranienim meusobnim djelovanjem. Njezin se najjednostavniji primjer dobije dodavanjem neovisnog Gauss-ovog uma svakoj vrijednosti piksela. Makrotekstura se sastoji od primitiva koji imaju odreeni oblik i pravilnu organizaciju. Za svaku povrinu na kojoj se nalaze teksture postoji poveanje pri kojem ona izgleda glatka i bez tekstura. Poveanjem razluljivosti povrina prvo izgleda kao fina tekstura, a zatim sve grublja. Analiza tekstura je pojam koji oznaava cijeli niz metoda koje se koriste pri karakterizaciji prostornih varijacija u sivom nivou homogenih dijelova slike. Ona se temelji na prouavanju piksela u ogranienom prostornom okruenju i to, na nivou svakog piksela gdje se izraunavaju teksturalni parametri njegove najblie okoline (10 piksela) i na nivou podruja interesa (Region Of Interest) gdje se promatra vei broj piksela (100 do 200). Analiza tekstura koristi se pri analizi slika snimljenih iz zrakoplova ili satelita gdje je mogue s vrlo velikom tonou odrediti objekte koji su napravljeni ljudskom rukom (ceste, zgrade,itd.) i one koji su prirodni kao ume, pustinje, vode. Takoer, teksture se koriste u medicini u promatranju bolesnog tkiva gdje je teko vizualno razluivanje. U biologiji se teksture koriste pri mikroskopiranju za analizu kultura stanica ili uzoraka tkiva. Mogue su jo brojne primjene, npr. u oceanografiji pri istraivanju morskog dna na velikim dubinama gdje je mogua automatizacija cijelog postupka. Openito, analiza tekstura donosi prednosti u mogunosti automatske obrade slike kao i poveanju koliine podataka uzete sa slike uz dodavanje informacija koje nisu vidljive golim okom. U metodama analiza tekstura mogu se istaknuti tri vee grupe: 1. modeli, 2. matematika morfologija i 3. statistike metode.7

1. Modeli: Autoregresivan model Markov model Fraktalni model

2. Matematika morfologija Morfologija sivim nivoima Morfoloka granulometrija

3. Statistika mjerenja Parametri prvog reda Parametri drugog reda Parametri vieg reda

Prema Ehrich-u i Foith-u, pri analizi tekstura postavljaju se tri vana problema: 1. svrtavanje teksture u jednu od N poznatih klasa; 2. odreivanje modela za promatranu teksturu; 3. odreivanje granica izmeu podruja na slici s razliitim teksturama,tj. segmentacija tekstura.

8

2. SEGMENTACIJA TEKSTURA

Segmentacija slike sa izraenom teksturom predstavlja ozbiljan problem koji se ne moe na zadovoljavajui nain rijeiti prethodno opisanim metodama. Ipak, veina opisanih metoda u uvodnom poglavlju se moe adaptirati za segmentaciju teksture koritenjem posebno odabranih karakteristika teksture.

Slika 2.0. Primjer segmentacije teksture

Jedan od pristupa segmentaciji slike sa teksturom sastoji se u izraunavanju neke mjere teksture za svaki piksel slike . Osnovni problem ovog metoda je to tekstura nije lokalna karakteristika, ve se uvijek izraunava unutar prozora u ijem se centru nalazi piksel koji se posmatra. Zbog toga izraunavanje mjera teksture u blizini granice dva regiona sa razliitim teksturama nije dovoljno pouzdano. Kao rezultat se dobija nedovoljno tano odreena granica regiona, sa grekom manjom od polovine irine prozora. Drugi pristup segmentaciji teksture slian je metodama za izdvajanje ivica. U prvom koraku segmentacije se istiu razlike izmeu tekstura, to odgovara izraunavanju gradijenta, a zatim se vri klasifikacija piksela. U jednom takvom metodu, mjere teksture se izraunavaju u etiri susjedna prozora dimenzije w w , a zatim se, po analogiji sa Robertsovim metodom za

9

izdvajanje ivica, formiraju unakrsne razlike. Ovaj metod je generalizovan za izraunavanja na grupama prozora 3 3, to odgovara veini gradijentnih metoda za izdvajanje ivica. U postupku segmentacije teksture mogu se koristiti i modeli teksture. Uobiajeni pristup je da se u blizini granice regiona smatra da se mere teksture postepeno menjaju od jedne vrednosti do druge. Na taj nain problem se ekvivalentira sa detekcijom ivica male strmine, pa se mogu koristiti gradijentni operatori za izdvajanje ivica i potiskivanje nemaksimuma prilikom formiranja mape ivica. I metode segmentacije poreenjem sa pragom se mogu adaptirati za segmentaciju teksture. Kod jednog od takvih metoda, za svaki piksel u jednom dijelu slike se izrauna neka mjera teksture, a zatim se formira histogram takve mjere. Posle odreivanja praga na bazi histograma lako je izvriti segmentaciju tog dijela slike. Metod je primjenljiv i ako histogram ima vie maksimuma. Postupak se nastavlja sve dok se ne izvri segmentacija cijele slike. Najvanije primjene segmentacije slike pomou teksture su u analizi slika nainjenih sa aviona i satelita. Na takvim slikama postoje veliki regioni sa jako izraenom teksturom koji predstavljaju planine, ume i obradivo zemljite. Druga vana primena metoda segmentacije pomou teksture je analiza rendgenskih i ultrazvunih snimaka u medicinskoj dijagnostici.

Problem segmentacije teksture svodi se na odreivanje obiljeja postojeih tipova teksture na slici, kako bi svaki od njih bio opisan na jedinstven nain. Nakon toga slijedi oznaavanje pripadnosti piksela onom tipu taksture iji su parametri najsliniji parametrima posmatranog piksela.

10

3. SEGMENTACIJA TEKSTURA POMOU GABOR FILTERA

U procesovanju slike, Gabor filter, koji je nazvan po Dennis Gabor-u, je filter koji se koristi za detekciju granica objekta. Frekvencija i orijentacija prezentacija koje predstavljaju Gabor filtere su sline onima kod ljudskog vizualnog sistema, pa su veoma prikladne za prezentaciju tekstura. Malik i Perona su 1989 godine predstavili svoj model percepcije tekstura, koji je poreen sa ljudskim vizualnim sistemom. Njihov model se sastojao od 3 faze: Konvolucija slike sa bankom slino simetrinih linearnih filtera, praenih sa polutalasnim rektifikacijama, sa ciljem dobijanja niz odgovora; Inhibicija, smjetena u prostoru, unutar i meu neuralnih signala koji rezultuju u supresiji slabih signala, ako postoje jai signali na istoj ili bliskoj poziciji; Detekcija granica tekstura.

Prva faza se odnosi na multi-kanalno filtriranje. Jain i Farrokhania su 1990 godine predstavili algoritam segmentacije tekstura koristei tzv. multi-kanalno filtriranje. Karakterizovali su kanale sa bankom Gabor filtera.

3.1.

Algoritam

Algoritam se sastoji od 3 koraka: Dekompozicija ulazne ili poetne slike koristei banku filtera; Ekstrakcija odreenih znaajki Klasterizacija

Banka filtera Zamijenili smo kanale sa bankom dvo-dimenzionalnih Gabor filtera. Dvodimenzionalna funkcija se sastoji od sinusoide sa nekom frekvencijom i orijentacijom. Gabor filter je predstavljen sa:

,

= exp

+ 2

cos 2

+11

= gdje su:

+

=

- talasna duina; - orijentacija normale izraena u stepenima; - standardna devijacija Gaussian a.

Ekstrakcija znaajki Predloeno je da se koristi nelinearna sigmoidalna funkcija, tanh koja vri saturaciju izlaza iz filtera. Kao i da se prorauna srednja apsolutna devijacija za svaku filtriranu sliku. Koristimo Gaussian- ovu funkciju, , gdje je : standardna devijacija = exp + 2 , = 1 1+

Klasterizacija Konani korak je klasterizacija, iji je zadatak da poreda pixele u odreeni broj klastera, koji e predstavljati regije tekstura. U ovom primjeru nije koriten standardni CLUSTER algoritam, ve k means algoritam. K means algoritam se sastojao od sljedeih koraka: 1. 2. 3. 4. inicijalizacija centroida K klastera sluajnom metodom svaki sample dodijeliti najbliem centroidu proraunati centroide (means) K klastera ako su centroidi nepromijenjeni algoritam se zavrava, ako ne povratak na korak 2

12

3.2.

Rezultati primjene metode pomou Gabor filtera

Iznad spomenuti metod je primjenjen i testiran na teksturama sa slike iz Brodatz ovog albuma.

Slika 3.0. Originalna pet teksturna slika iz Brodatz ove zbirke slika 256x256

Slika 3.1. Izgled filtriranih slika pomou Gabor filtera

Slika 3.2. Rezultat segmentacije13

4. ZAKLJUAKKao to je ve reeno, segmentacija teksture predstavlja jedan veoma sloen zadatak. Najvei problem lei u tome to nema jasno definisane i odreene metode za rjeavanje ovog problema. Sve metode koje se koriste, npr. kao to je ovdje opisana metoda pomou gabor filtera, ili morfoloke,ili pomou neuronskih mrea su veoma kompleksne metode. Uprkos svemu tome analiza tekstura, samim tim i segmentacija tekstura su neizbjean dio u procesu dobijanja slike.

14

5. LITERATURA

[1] http://www.cim.mcgill.ca/~vleves/coursework/ip_project.pdf , (18/05/2011) [2] http://elektronika.jazbina.com/stari%20sajt/44%20-%20DOSlike/Dosl11.pdf , (18/05/2011) [3] http://en.wikipedia.org/wiki/Gabor_filter , (18/05/2011) [3] http://dosl.zesoi.fer.hr/predavanja/pdf/dip_2004_pr11_3x25.pdf , (18/05/2011)

15