hľadanie hrán
DESCRIPTION
Hľadanie hrán. schod rampa. čiara hrebeň. strecha. T ypy hrán. skutočné hrany - šum. T ypy hrán. H ľadanie hrán. skúmame body v okolí (pomocou deriv ácie ) Ak sa intenzity príliš nelíšia - pravdepodobne tam nie je hrana Ak sa líšia - bod môže patriť hrane. M etódy hľadania hrán. - PowerPoint PPT PresentationTRANSCRIPT
Hľadanie hrán
TTypy hránypy hrán
skutočné hrany - šum
čiara
hrebeň
schod
rampa
strecha
TTypy hránypy hrán
HHľadanie hránľadanie hrán
skúmame body v okolí (pomocou derivácie)
Ak sa intenzity príliš nelíšia - pravdepodobne tam nie je hrana
Ak sa líšia - bod môže patriť hrane
MMetódy hľadania hránetódy hľadania hrán
konvolučné masky
diskrétna aproximácia diferenciálnych operátorov (miera zmeny intenzity)
Informácia o:
existencia orientácia ?
x
yxfyxf
x
yxf mnmn
,,, 1
x
yxfyxf
y
yxf mnmn
,,, 1
11
11
2
)1,()1,(),(2
),1(),1(),(
yxIyxI
y
yxI
yxIyxI
x
yxI
1
0
1
*
101*
Iy
I
Ix
I
Diferencovanie 2DDiferencovanie 2D
Diferencovanie Diferencovanie
11* II x
1
1*II y
IKtorý obrázok je Ix?
I
Diferencovanie a šum Diferencovanie a šum
prah 20
originál Gaussovské vyhladenie
prah 50
Vyhladenie Vyhladenie
NNáásledky sledky šumušumu
Vyhladenie Vyhladenie
GradientGradientGradient:
Smer – najväčšia zmena intenzity
Smer gradientu:
Veľkosť gradientu:
|||| yx GGf
Gradient / hranyGradient / hrany
f e
Sila (dôležitosť) hrany = veľkosť gradientuSmer hrany = smer gradientu – 90°
GradientGradient
RobertsRobertsNajjednoduchšie masky
-1 0
0 1
0 -1
1 0
Len body hrán
Nie orientácia
Vhodné pre binárne obrazy
Nevýhody:
Veľká citlivosť na šum
Nepresná lokalizácia
Málo bodov na aproximáciu gradientu
SobelSobelHľadá horizontálne a vertikálne hranyKonvolučné masky:
121
000
121
y
101
202
101
x
Sobel Sobel
I
101
202
101
121
000
121
Idx
d
Idy
d
22
Idy
dI
dx
d
prahovanie
hrany
Idx
d
Idy
d
I
Sobel Sobel
I
22
I
dy
dI
dx
dE
100ThresholdE
Sobel Sobel
PrewittPrewitt
Podobne ako Sobel
Masky:
111
000
111
y
101
101
101
x
Idx
d
Idy
d
I
Prewitt Prewitt
I
22
I
dy
dI
dx
dE
100E
Prewitt Prewitt
Druhá deriváciaDruhá derivácia
LaplaciánLaplacián
)1,(),(2)1,(2
2
jifjifjifx
f
),1(),(2),1(2
2
jifjifjify
f
Konvolúcia [1, -2, 1]
2
2
2
22
y
f
x
ff
LaplaciánLaplacián
010
1-41
010
111
1-81
111Nevýhody:
Veľmi citlivý na šum
Produkuje dvojité hrany
Neurčuje smer hrany
LaplaciánLaplacián
33 55 77
Laplacián GaussiánuLaplacián Gaussiánu
Marr – Hildreth operátor, LoG operátor
Vyhladenie pomocou 2D Gaussiánu
Následná aplikácia Laplaciánu
IGS
2
22
2
2
1
yx
eG
Sy
Sx
S2
2
2
22
Laplacián GaussiánuLaplacián Gaussiánu
IGIGS ** 222
)()( LGILGIE
Laplacian of GaussianGaussian
1
6
3
CannyCanny
1) Vyhladenie Gaussiánom
2) Gradientný operátor
Veľkosť gradientu
Smer gradientu
3) Výber maxím v danom smere
4) Prahovanie dvoma prahmi
Original Canny
CannyCannyVyhladenie Gaussiánom
Gradientný operátor (Sobel)
Veľkosť gradientu
Smer gradientu
IGS *
2
22
2
2
1
yx
eG
Tyx
T
SSSy
Sx
S
22yx SSS
x
y
S
S1tan
CannyCanny
IGIGS **
T
y
G
x
GG
T
Iy
GI
x
GS
**
CannyCanny
180 0
135
90
45
315
270
225
0
0
0
0
1
1
1
1
2 2
2 2
3
3
3
3
M = |S|⊝
Canny Canny
T1
T2
Canny príkladyCanny príklady
Gauss 5x5, T1=255, T2=1
Canny príkladyCanny príklady
Gauss 5x5, T1=255, T2=220
Canny príkladyCanny príklady
Gauss 5x5, T1=128, T2=1
Canny príkladyCanny príklady
Gauss 9x9, T1=128, T2=1
KirschKirsch - - kompas operátorkompas operátor
Rotujúca maskaSmery: 0°, 45°, 90°, 135°, ... Sila hrany – maximum cez jednotlivé maskySmer hrany – maska dávajúca maximum
...
533
503
533
333
503
553
333
303
555
333
305
355
f
e
f
e
RobinsonRobinson
111
121
111
111
121
111
111
121
111
111
121
111
Robinson Kirsch Prewitt Sobel
Previesť na šedotónový a použiť niektorý z predchádzajúcich metód
Problém ak je hrana medzi dvomi farbami s rovnakým jasom
Vo farebnom obraze vieme určiť 90% hrán z šedotónového obrazu
Zvyšných 10% hrán z farebného obrazu
Farebné obrazyFarebné obrazy
Farebné obrazyFarebné obrazy
Sekvenčný prístup:Jednotlivé kanály samostatne
Hrany len v odtieňoch:H(a, b)
• output fusion methods
• multi-dimensional gradient methods
• vector methods
MetódyMetódy
Vektorový prístupVektorový prístup
u = (R’x ,G’x ,B’x )v = (R’y ,G’y ,B’y )
smer
veľkosť
Vector order statistics Vector order statistics Používa sa R-ordering Okno W veľkosti n pixelov
Vector range (VR) edge detector – najjednoduchšíVR=D(x(n), x(1))
x(1) – median , x(n) - outliercitlivý na šum
Vector dispersion edge detectors (VDED)
ai váhy
VR špeciálny prípad VDED kde a(1)=-1 a a(n)=1, a(i)=0 i=2,...n-1
Minimum vector rangeUvažujeme k rozdielov – odstránime citlivosť na šum
(impulsive, exponential noise)
Minimum vector dispersion – odstráni citlivosť aj na Gaussov šum
Používa α-trimmed mean
Nemôže byť použité na homogénne oblasti
Nearest neighbour vector range
Kombináciou MVD a NNVR
wi ≥ 0
Difference vector operatorsDifference vector operators
Každý pixel reprezentovaný ako vektor v RGB
Vypočítame gradient v 4 smeroch
X, Y sú 3D vektorové konvolučné masky
Základná maska pre okno 3x3
v(x,y) – pixel, v(x0,y0) - stredný pixel
Pred detekciou môžeme obraz filtrovať – treba použiť väčšiu masku
Ak okno W je veľkosti n x n (n=2k+1) vytvoríme sub-okno veľkosti N = (n2-1)/2
Podľa typu šumu môžeme použiť rôzne filtre
Vector median filter
Efektívny pri redukovaní impulsného šumu
Vector mean filter
Efektívny pri redukovaní Gaussovho šumu
Kombináciou predchádzajúcich
α-trimmed mean filter
Adaptive nearest neighbour filter
Difference vector iba v 2 smeroch
horizontalne a vertikálne
Ľudský vizuálny systém je viac citlivý na horizontálne a vertikálne hrany
Menej časovo náročný
horizontálne a vertikálne rozdiely vo vektoroch prispievajú k detekcii diagonálnych hrán – detekované hrany sú tenšie
Detekcia hrán pomocou Detekcia hrán pomocou zgrupovaniazgrupovania
Sobel edge detection on gray Mandrill image
edge detected using proposed method resulted clusters