Портрет
<<  Создание словесного портрета Портрет выпускника ДУ  >>
Анализ информации, содержащейся в изображении
Анализ информации, содержащейся в изображении
Примеры практических задач
Примеры практических задач
Медицинские приложения
Медицинские приложения
Неразрушающая диагностика
Неразрушающая диагностика
Анализ движущихся объектов в видео
Анализ движущихся объектов в видео
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Анализ спутниковых снимков
Анализ спутниковых снимков
Как обычно анализируются изображения
Как обычно анализируются изображения
Как обычно анализируются изображения
Как обычно анализируются изображения
Выделение областей-кандидатов
Выделение областей-кандидатов
Выделение областей-кандидатов
Выделение областей-кандидатов
Выделение областей-кандидатов
Выделение областей-кандидатов
Бинарное изображение
Бинарное изображение
Как получить бинарное изображение
Как получить бинарное изображение
Пороговая фильтрация
Пороговая фильтрация
Пороговая фильтрация
Пороговая фильтрация
Анализ симметричного пика гистограммы
Анализ симметричного пика гистограммы
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Алгоритм k-средних
Алгоритм k-средних
Алгоритм k-средних
Алгоритм k-средних
Алгоритм k-средних
Алгоритм k-средних
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Выделение связных областей
Выделение связных областей
Разметка связных областей
Разметка связных областей
Рекурсивная разметка связных областей 1
Рекурсивная разметка связных областей 1
Рекурсивная разметка связных областей 2
Рекурсивная разметка связных областей 2
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Интегральные проекции
Интегральные проекции
Интегральные проекции
Интегральные проекции
Сегментация полутоновых и цветных изображений
Сегментация полутоновых и цветных изображений
Применение k-средних
Применение k-средних
Применение k-средних
Применение k-средних
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Другие методы сегментации полутоновых изображений
Другие методы сегментации полутоновых изображений
Сегментация цветных изображений
Сегментация цветных изображений
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Выделение на изображении объектов определенной структуры
Выделение на изображении объектов определенной структуры
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Основная идея метода
Основная идея метода
Выделение прямых на изображении
Выделение прямых на изображении
Выделение прямых на изображении
Выделение прямых на изображении
Изображение и фазовое пространство
Изображение и фазовое пространство
Формально
Формально
Машинное представление
Машинное представление
Дискретизация фазового пространства
Дискретизация фазового пространства
Размер ячеек стоит выбирать аккуратно
Размер ячеек стоит выбирать аккуратно
Алгоритм выделения прямых
Алгоритм выделения прямых
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Примеры работы
Примеры работы
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Как анализировать найденные области
Как анализировать найденные области
Геометрические признаки
Геометрические признаки
Анализ формы связных областей
Анализ формы связных областей
Подсчет периметра области
Подсчет периметра области
Пример периметров области
Пример периметров области
Статистические моменты области
Статистические моменты области
Инвариантные характеристики области
Инвариантные характеристики области
Ориентация главной оси инерции
Ориентация главной оси инерции
Пример изображения с подсчитанными характеристиками областей
Пример изображения с подсчитанными характеристиками областей
Другие инвариантные характеристики области
Другие инвариантные характеристики области
Фотометрические признаки
Фотометрические признаки
Как анализировать признаки
Как анализировать признаки
Как анализировать признаки
Как анализировать признаки
Ручной подбор
Ручной подбор
Графический анализ
Графический анализ
Графический анализ
Графический анализ
Графический анализ
Графический анализ
Графический анализ
Графический анализ
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение

Презентация на тему: «Анализ информации, содержащейся в изображении». Автор: vvp. Файл: «Анализ информации, содержащейся в изображении.ppt». Размер zip-архива: 2472 КБ.

Анализ информации, содержащейся в изображении

содержание презентации «Анализ информации, содержащейся в изображении.ppt»
СлайдТекст
1 Анализ информации, содержащейся в изображении

Анализ информации, содержащейся в изображении

2 Примеры практических задач

Примеры практических задач

Практически все задачи решают одну из (или обе) задачи: поиск определенных объектов на изображении измерение параметров объектов на изображении Медицинские приложения; Дефектоскопия; Анализ движущихся объектов в видеопотоке; Поиск специальных объектов (маркеров); Обнаружение естественных объектов; Анализ спутниковых снимков;

3 Медицинские приложения

Медицинские приложения

Пример – анализ концентрации клеток определенного типа в крови

4 Неразрушающая диагностика

Неразрушающая диагностика

Пример – автоматический поиск трещин в асфальте по ИК изображениям

Поиск и анализ дефектов без разрушения объекта исследования Автоматизированный поиск дефектов по изображениям

5 Анализ движущихся объектов в видео

Анализ движущихся объектов в видео

Обнаружение изменяющихся областей видео, анализ их формы и динамики изменения (обычно для систем безопасности)

6 Поиск специальных объектов (маркеров)

Поиск специальных объектов (маркеров)

Для решения ряда задач требуется обнаружение специальных маркеров на изображении: дорожные знаки, дорожная разметка объект для калибровки камеры

7 Обнаружение естественных объектов

Обнаружение естественных объектов

Примеры: Обнаружение лиц Обнаружение красных глаз на фото (для коррекции) Обнаружение антропометрических точек лица

8 Обнаружение естественных объектов

Обнаружение естественных объектов

Примеры: Обнаружение лиц Обнаружение красных глаз на фото (для коррекции) Обнаружение антропометрических точек лица

9 Обнаружение естественных объектов

Обнаружение естественных объектов

Примеры: Обнаружение лиц Обнаружение красных глаз на фото (для коррекции) Обнаружение антропометрических точек лица

10 Анализ спутниковых снимков

Анализ спутниковых снимков

Погода Геологические процессы (напр. таяние ледников) Экология

11 Как обычно анализируются изображения

Как обычно анализируются изображения

Если цель – поиск объектов определенной природы, обычно: Предобработка изображения для упрощения анализа (например – шумоподавление) Выделение на изображении областей-кандидатов в которых может находится искомый объект Проверка – является ли фрагмент изображения изображением нужного нам объекта

12 Как обычно анализируются изображения

Как обычно анализируются изображения

Если цель – измерение параметров определенного объекта (считаем что объект уже найден): Расчет необходимых характеристик изображения Расчет параметров реального объекта по характеристикам объекта на изображении

13 Выделение областей-кандидатов

Выделение областей-кандидатов

Как найти потенциальные области где может находиться объект? Как облегчить последующую задачу проверки – тот ли объект мы нашли?

14 Выделение областей-кандидатов

Выделение областей-кандидатов

Распространенные варианты Разделить (сегментировать) изображение на области однородные по каким-то признакам и анализировать области отдельно (облегчает последующий анализ, но может все испортить в случае неверной сегментации) Никак не находить. Проверять все возможные фрагменты изображения (ничего не пропускает, но требует более сложного пост-анализа)

15 Выделение областей-кандидатов

Выделение областей-кандидатов

Варианты сегментации (вообще-то их масса) Бинаризация изображения, анализ связных компонент Цветовая или текстурная сегментация изображения на однородные области

16 Бинарное изображение

Бинарное изображение

Пример изображения для обработки

17 Как получить бинарное изображение

Как получить бинарное изображение

Общая цель – выделение на изображении интересных нам объектов. Простейший вариант - пороговая фильтрация (thresholding)

18 Пороговая фильтрация

Пороговая фильтрация

Простейший случай – выделение областей, яркость которых выше/ниже некоторого порога заданного «извне».

19 Пороговая фильтрация

Пороговая фильтрация

Более интересный способ – определение порога автоматически, по характеристикам изображения; Анализ бимодальной гистограммы

20 Анализ симметричного пика гистограммы

Анализ симметричного пика гистограммы

Применяется когда фон изображения дает отчетливый и доминирующий пик гистограммы, симметричный относительно своего центра. Сгладить гистограмму; Найти ячейку гистограммы hmax с максимальным значением; На стороне гистограммы не относящейся к объекту (на примере – справа от пика фона) найти яркость hp, количество пикселей с яркостью >= hp равняется p% (например 5%) от пикселей яркости которых >= hmax; Пересчитать порог T = hmax - (hp - hmax);

21 Адаптивная бинаризация

Адаптивная бинаризация

Необходима в случае неравномерной яркости фона/объекта.

22 Адаптивная бинаризация

Адаптивная бинаризация

Необходима в случае неравномерной яркости фона/объекта. Для каждого пикселя изображения I(x, y): В окрестности пикселя радиуса r высчитывается индивидуальный для данного пикселя порог T; Если I(x, y) > T + C , результат 1, иначе 0; Варианты выбора T: T = mean T = median T = (min + max) / 2

23 Адаптивная бинаризация

Адаптивная бинаризация

Исходное

r=7, C=7

r=75, C=10

r=7, C=0

24 Алгоритм k-средних

Алгоритм k-средних

Дано: Набор векторов xi i=1,…,p; k – число кластеров, на которые нужно разбить набор xi; Найти: k средних векторов mj j=1,…,k (центров кластеров); отнести каждый из векторов xi к одному из k кластеров;

Метод k-средних – метод кластеризации данных. Целью задачи кластеризации является разбиение множества объектов на классы (кластеры) на основе некоторой меры сходства объектов.

25 Алгоритм k-средних

Алгоритм k-средних

Случайным образом выбрать k средних mj j=1,…,k; Для каждого xi i=1,…,p подсчитать расстояние до каждого из mj j=1,…,k, Отнести (приписать) xi к кластеру j’, расстояние до центра которого mj’ минимально; Пересчитать средние mj j=1,…,k по всем кластерам; Повторять шаги 2, 3 пока кластеры не перестанут изменяться;

26 Алгоритм k-средних

Алгоритм k-средних

Вариант k-средних для бинаризации Выбрать порог T равным середине диапазона яркостей; Вычислить среднюю яркость всех пикселей с яркостью < T m1, аналогично m2 для пикселей с яркостью > T; Пересчитать порог T = (m1 + m2) / 2; Повторять шаги 2, 3 порог не перестанет изменяться;

27 Пример кластеризации в 2D

Пример кластеризации в 2D

Исходные данные

28 Пример кластеризации в 2D

Пример кластеризации в 2D

Случайная инициализация центров кластеров (шаг 1)

29 Пример кластеризации в 2D

Пример кластеризации в 2D

Кластеры после первой итерации (шаг 2)

30 Пример кластеризации в 2D

Пример кластеризации в 2D

Пересчет центров кластеров после первой итерации (шаг 3)

31 Пример кластеризации в 2D

Пример кластеризации в 2D

Кластеры после второй итерации (шаг 2)

32 Пример кластеризации в 2D

Пример кластеризации в 2D

Стабильная конфигурация после четвертой итерации

33 Применение k-средних для сегментации изображений по яркости

Применение k-средних для сегментации изображений по яркости

Рассматриваем одномерное пространство яркостей пикселей и производим в нем кластеризацию с помощью k-средних. Это дает автоматическое вычисление яркостных порогов.

(Для получения бинарного изображения k=2)

34 Сравнение k-средних с порогом по средней яркости

Сравнение k-средних с порогом по средней яркости

После лекции был задан вопрос: чем отличается сегментация с помощью k-средних на 2 кластера от простейшей пороговой бинаризации по средней яркости изображения? Пример:

В причинах предлагается разобраться самостоятельно

K-средних

Порог по средней яркости

35 Выделение связных областей

Выделение связных областей

Определение связной области: Множество пикселей, у каждого пикселя которого есть хотя бы один сосед, принадлежащий данному множеству. Соседи пикселей:

4-связность

8-связность

36 Разметка связных областей

Разметка связных областей

1

1

2

2

2

1

1

2

2

2

3

4

4

5

4

4

4

6

6

6

6

6

7

Бинарное изображение

Размеченное изображение

37 Рекурсивная разметка связных областей 1

Рекурсивная разметка связных областей 1

Void labeling(bit* img[], int* labels[]) { // labels должна быть обнулена L = 1; for(y = 0; y < H; y++) for(x = 0; x < W; x++) { fill(img, labels, x, y, L++); } }

38 Рекурсивная разметка связных областей 2

Рекурсивная разметка связных областей 2

void Fill(BIT* img[], int* labels[], int x, int y, int L) { if( (labels[x][y] = = 0) && (img[x][y] = = 1) ) { labels[x][y] = L; if( x > 0 ) Fill(img, labels, x – 1, y, L); if( x < W - 1 ) Fill(img, labels, x + 1, y, L); if( y > 0 ) Fill(img, labels, x, y - 1, L); if( y < H - 1 ) Fill(img, labels, x, y + 1, L); } }

39 Разметка связных областей путем последовательного сканирования

Разметка связных областей путем последовательного сканирования

Последовательно, сканируем бинарное изображение сверху вниз, слева направо:

Постобработка - переразметка с учетом эквивалентностей областей

if A = O do nothing else if (not B labeled) and (not C labeled) increment label numbering and label A else if B xor C labeled copy label to A else if B and C labeled if B label = C label copy label to A else copy either B label or C label to A record equivalence of labels

40 Разметка связных областей путем последовательного сканирования

Разметка связных областей путем последовательного сканирования

Случай конфликта:

Постобработка - переразметка с учетом эквивалентностей областей

41 Интегральные проекции

Интегральные проекции

Интегральные проекции – простой, но мощный инструмент анализа изображений. Определяются следующим образом:

42 Интегральные проекции

Интегральные проекции

Использование интегральных проекций для обнаружения объектов: Плюсы: менее чувствительны к «разрывам» очень быстро вычисляются

43 Сегментация полутоновых и цветных изображений

Сегментация полутоновых и цветных изображений

Выделение областей однородных по: Яркости Цвету Текстуре и т.д.

44 Применение k-средних

Применение k-средних

Сегментация изображения на области однородной яркости методом k-средних.

k = 4

45 Применение k-средних

Применение k-средних

K-средних не учитывают пространственное расположение пикселов, что не всегда удобно. Для K-средних требуется знать число k изначально

46 Выделение однородных областей методом последовательного сканирования

Выделение однородных областей методом последовательного сканирования

If I(A) – iavg(cl(b)) > ? and I(A) – iavg(cl(c)) > ? - создаем новую область, присоединяем к ней пиксел A if I(A) – iavg(cl(b)) < ? xor I(A) – iavg(cl(c)) < ? – добавить A к одной из областей if I(A) – iavg(cl(b)) < ? and I(A) – iavg(cl(c)) < ? : iavg(cl(b)) - iavg(cl(c)) < ? – сливаем области B и C. Iavg(cl(b)) - iavg(cl(c)) > ?– добавляем пиксел A к тому классу, отклонение от которого минимально. I(A) – яркость пиксела A cl(b) – область к которой принадлежит пиксел B iavg(cl(b)) – средняя яркость области к которой принадлежит B

Сканируем изображение сверху вниз, слева направо:

47 Выделение однородных областей методом последовательного сканирования

Выделение однородных областей методом последовательного сканирования

Пример:

48 Другие методы сегментации полутоновых изображений

Другие методы сегментации полутоновых изображений

Существует множество методов сегментации полутоновых изображений, подробнее можно посмотреть вот тут: «Выделение связных областей в цветных и полутоновых изображениях» (статья в онлайн журнале)

49 Сегментация цветных изображений

Сегментация цветных изображений

Можно применять большинство методов сегментации полутоновых, заменив: скалярную величину яркости на вектор цвета: (R, G, B), разность яркостей на длину вектора разности двух цветов

50 Опрос по заданиям

Опрос по заданиям

Электронный кассир Сахар и ложки Распознавание циферблата аналоговых часов Поиск клада Распознавание двоичных чисел

51 Опрос по заданиям

Опрос по заданиям

Электронный кассир

52 Опрос по заданиям

Опрос по заданиям

Сахар и ложки

53 Опрос по заданиям

Опрос по заданиям

Распознавание циферблата аналоговых часов

54 Опрос по заданиям

Опрос по заданиям

Поиск клада

55 Опрос по заданиям

Опрос по заданиям

Распознавание двоичных чисел

56 Опрос по заданиям

Опрос по заданиям

Что интереснее Электронный кассир? Сахар и ложки? Распознавание циферблата аналоговых часов? Поиск клада? Распознавание двоичных чисел?

57 Выделение на изображении объектов определенной структуры

Выделение на изображении объектов определенной структуры

Преобразование Хафа позволяет находить на бинарном изображении плоские кривые, заданные параметрически, например: прямые, окружности, эллипсы, и т.д. Бинарное изображение, считаем 0 – точками фона, 1 – «точками интереса». Задача преобразования Хафа состоит в выделении кривых, образованных точками интереса.

58 Преобразование Хафа (Hough)

Преобразование Хафа (Hough)

Исходное изображение

Выделенные края

Найденные прямые

Что это ?!

59 Основная идея метода

Основная идея метода

На примере прямых: Взять все возможные прямые проходящие по изображению Для каждой посчитаем – сколько точек через нее проходит Все прямые через которые проходит достаточное число точек - существуют

60 Выделение прямых на изображении

Выделение прямых на изображении

Прямую на плоскости можно задать следующим образом: x cos? + y sin? = R, R - длина перпендикуляра опущенного на прямую из начала координат, ? - угол между перпендикуляром к прямой и осью OX, ? изменяется в пределах от 0 до 2? , R ограничено размерами входного изображения.

61 Выделение прямых на изображении

Выделение прямых на изображении

Таким образом функция, задающая семейство прямых, имеет вид: F (R, ?, x, y) = x cos? + y sin? - R.

Через каждую точку (x, y) изображения можно провести несколько прямых с разными R и ?.

62 Изображение и фазовое пространство

Изображение и фазовое пространство

Каждой прямой пространства (x, y) соответствует точка фазового пространства (R, ?). Прямые с левого рисунка образуют синусоиду.

Через одну точку можно провести несколько прямых. Учитывая дискретность их будет конечное число.

63 Формально

Формально

Рассмотрим семейство кривых на плоскости, заданное параметрическим уравнением: F(a1, a2, …, an, x, y) = 0; где F - некоторая функция, a1, a2, ..., an - параметры семейства кривых, x, y - координаты на плоскости. Параметры семейства кривых образуют фазовое пространство, каждая точка которого (конкретные значения параметров a1, a2, ..., an) соответствует некоторой кривой.

64 Машинное представление

Машинное представление

Ввиду дискретности машинного представления и входных данных (изображения), требуется перевести непрерывное фазовое пространство в дискретное. Вводим сетку на фазовом пространстве Каждой ячейке сетки ставим в соответствие счетчик Значение счетчика каждой ячейки устанавливаем равным количеству точек интереса, через которые проходит хотя бы одна кривая, параметры которой принадлежат данной ячейке. Анализ счетчиков ячеек позволяет найти на изображении кривые, на которых лежит наибольшее количество точек интереса.

65 Дискретизация фазового пространства

Дискретизация фазового пространства

Переводим непрерывное фазовое пространство в дискретное. Введем сетку на пространстве (R, ?), одной ячейке которой соответствует набор прямых с близкими значениями R и ?. Счетчик ставится в соответствие каждой ячейке сетки [Ri, Ri+1]x[?i,?i+1], равный числу точек интереса на изображении, удовлетворяющих уравнению: x cos? + y sin? = R, где ?i ? ? ? ?i+1, Ri ? R ? Ri+1.

66 Размер ячеек стоит выбирать аккуратно

Размер ячеек стоит выбирать аккуратно

Если ячейки будут очень большими, то за «прямую» может приниматься разрозненный набор точек. Если же наоборот, ячейки будут слишком малы, есть вероятность, что ни одной прямой не найдется – все счетчики будут иметь небольшое значение.

67 Алгоритм выделения прямых

Алгоритм выделения прямых

В общем случае алгоритм поиска прямой на изображении при помощи преобразования Хафа выглядит так:

Обнулить счетчики всех ячеек; для каждой точки интереса на изображении: для каждой прямой, проходящей через данную точку увеличить соответствующий счетчик; выбрать ячейки со значением счетчика, превышающим заданный порог;

68 Преобразование Хафа (Hough)

Преобразование Хафа (Hough)

Исходное изображение

Выделенные края

Найденные прямые

Фазовое пространство

69 Примеры работы

Примеры работы

70 Примеры работы (с шумом)

Примеры работы (с шумом)

71 Примеры работы (фрагменты прямых)

Примеры работы (фрагменты прямых)

72 Преобразование Хафа

Преобразование Хафа

Искать можно не только прямые!

73 Преобразование Хафа

Преобразование Хафа

Подробнее: http://cgm.graphicon.ru/metodyi/hough_transform.html http://cgm.graphicon.ru/mashinnoe_zrenie_cv_i_obrabotka_izobrazheniy/parametric_curves_recognition_by_hough_transform.html

74 Как анализировать найденные области

Как анализировать найденные области

Для машинного анализа требуется вычислить некоторые числовые характеристики (признаки) областей: Например: геометрические признаки фотометрические признаки

75 Геометрические признаки

Геометрические признаки

Для каждой области можно подсчитать некий набор простейших числовых характеристик: Площадь Периметр Компактность Ориентацию главной оси инерции Удлиненность (эксцентриситет) На основе этих характеристик можно классифицировать получаемые области.

76 Анализ формы связных областей

Анализ формы связных областей

Площадь – количество пикселей в области; Периметр – количество пикселей принадлежащих границе области; Компактность – отношение квадрата периметра к площади;

Наиболее компактная фигура – круг, .

77 Подсчет периметра области

Подсчет периметра области

Пиксель лежит на границе области, если он сам принадлежит области и хотя бы один из его соседей области не принадлежит. (внутренняя граница) Пиксель лежит на границе области, если он сам не принадлежит области и хотя бы один из его соседей области принадлежит. (внешняя граница) Периметр зависит также от того 4-х или 8-ми связность используется для определения соседей.

78 Пример периметров области

Пример периметров области

Область

Внутренняя граница

Внешняя граница

79 Статистические моменты области

Статистические моменты области

Дискретный центральный момент mij области определяется следующим образом:

N – общее количество пикселей в области

80 Инвариантные характеристики области

Инвариантные характеристики области

Для распознавания нас интересуют характеристики инвариантные по отношению к масштабированию, переносу, повороту: Удлиненность, нецентрированность (эксцентриситет) Компактность

81 Ориентация главной оси инерции

Ориентация главной оси инерции

Не является инвариантной к повороту, но в ряде случаев предоставляет полезную информацию об ориентации объекта:

82 Пример изображения с подсчитанными характеристиками областей

Пример изображения с подсчитанными характеристиками областей

83 Другие инвариантные характеристики области

Другие инвариантные характеристики области

84 Фотометрические признаки

Фотометрические признаки

Для каждой области можно подсчитать некий набор простейших числовых характеристик: Средняя яркость Средний цвет (если изображение цветное) Гистограмма распределения яркостей (или три гистограммы распределения R, G, B) Дисперсию (разброс) яркостей или цвета Разумеется, все это считается не по бинарному изображению

85 Как анализировать признаки

Как анализировать признаки

Как воспользоваться признаками для классификации? Подобрать диапазоны значений для разных классов вручную, экспериментально (может быть весьма трудоемко) Подобрать диапазоны значений графически (нужна база для тренировки, трудно, если признаков много) Найти диапазоны с помощью методов машинного обучения (нужна база для тренировки и знания в области машинного обучения)

86 Как анализировать признаки

Как анализировать признаки

Пример – ложки и сахар

87 Ручной подбор

Ручной подбор

Из общих соображений: Ложки более вытянутые, чем сахарные кусочки Ложки больше чем сахарные кусочки Сахарные кусочки квадратные Области появляющиеся из-за шума обычно небольшие и неквадратные Пытаемся сконструировать решающее правило, проверяем экспериментально Может быть весьма утомительно

88 Графический анализ

Графический анализ

Собрать тренировочную базу изображений Где только ложки Где только сахар Где только шум Как получить такие? Да просто закрасить все остальное. Брать признаки и строить графики

89 Графический анализ

Графический анализ

Диаграмма распределения эксцентриситета (проблема – не получается отличить шум от ложек)

90 Графический анализ

Графический анализ

График распределения эксцентриситета и площади (гораздо лучше – можем подобрать значения порогов)

91 Графический анализ

Графический анализ

Удобнее, но при большом кол-ве признаков все равно тяжело…

92 Машинное обучение

Машинное обучение

Собрать тренировочную базу изображений Где только ложки Где только сахар Где только шум Как получить такие? Да просто закрасить все остальное. Заложить эти данные в один из алгоритмов машинного обучения

93 Машинное обучение

Машинное обучение

Алгоритмы машинного обучения не входят в программу этого курса, поэтому коротко: Их существует большое количество Применять их нужно с пониманием их возможностей и потенциальных проблем Намного более надежный способ, нежели ручной

94 Машинное обучение

Машинное обучение

Рассмотрим один пример – деревья решений. Деревья решений – это способ представления правил в иерархической, последовательной структуре.

95 Машинное обучение

Машинное обучение

Конструирование деревьев решений описано, например, тут: http://www.basegroup.ru/trees/description.htm Пример использования дерева решений – старая компьютерная игра animal (самообучающаяся программа разгадки слов)

«Анализ информации, содержащейся в изображении»
http://900igr.net/prezentacija/izo/analiz-informatsii-soderzhaschejsja-v-izobrazhenii-102432.html
cсылка на страницу

Портрет

14 презентаций о портрете
Урок

Изо

31 тема
Слайды
900igr.net > Презентации по изо > Портрет > Анализ информации, содержащейся в изображении