You are on page 1of 13

Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013

MAŠINSKA VIZIJA

segmentacija slike

Dr. Salko Ćosić

Tuzla, maj 2013

1

Dva operatora u jednom paru operatora detektuju ivice u međusobno ortogonalnim pravcima 2 . y )  f '( x)  df ( x)  lim f ( x. y ) f ( x. y ). f ( x  x)  f ( x)  f ( x.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 GRADIJENTNE METODE – FILTERI Gradijentne metode se zasnivaju na definisanju operatora za procjenu (računanje) gradijenta. f y ( x. dx x0 x  x Svaki operator detektuje ivice samo u jednom smjeru ( X ili Y) i zato se koriste u parovima. y )  [ f x ( x. y )]   y  .

y ) Slika sa izdvojenim (detektovanim) ivicama je binarna Diskretni oblik izvoda : f x (n. y ) iv( x.usrednjavanje 3 .Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 IVICA: intenzitet gradijenta veći od unaprijed usvojenog praga T(x. y )    0 e( x. m  1)  f (n. m) f y (n. y )  T ( x. m) • Približna vrijednost komponenti gradijenta. y )  T ( x . m)  f (n  1. m)  f (n.y) 1 e( x. m)  f (n. diskretno računanje Problem šuma – diferenciranje diskretne f-je .

Gx | promjene po horizontalnom pravcu (veritikalne ivice). Gy | slika nakon isticanja promjene intenziteta po vertikalnom pravcu(horizontalne ivice) Gradijent slike je |Gx|+|Gy| 4 .Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 PRIMJER 1: Originalna slika.

Maska 3x3  a11 a12 a13   Detekcija u pravcu (X) – jedna maska a a a   Detekcija u pravcu (Y) – jedna maska  21 22 23   Moraju biti slične – transponovane matrice  a31 a32 a33   a11=a13. Zero-cross. Laplacian of Gaussian.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Osnovni filteri: Sobel. Roberts. 1. a21=a23 i a31=a33 (lijevi i desni pikseli imaju jednake koeficijente)  donji pikseli se oduzimaju od gornjih pa koeficijenti trebaju imati suprotan znak  a11 a12 a11   a11 a12 a11   a11 a12 a11  a a22 a21  a 2 a a   0 0 0   21   21 21 21     a11 a12 a11   a11 a12 a11   a11 a12 a11   Ako nema izvoda rezultat dejsva maske treba da je “0” što znači da je suma koeficijenata =0  Da bi odziv maske na ivicu u drugom pravcu (za koju treba druga maska) bio =0 potrebno je da su centralni koeficijenti =0 1 K 1   1 0 1   Podijelimo koeficijente sa a11   0 0 0 K 0 K Usvajamo: K=1 (Prewitt). K=2 (Sobel)      1  K 1  1 0 1  5 . Canny. Prewitt.

’prewitt’.parameters) (binarna slika) I=edge(f. imshow(BW1) figure.'prewitt').'canny'). BW1 = edge(I.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Matlab IPT: nekoliko estimatora gradijenta: [g.tif'). imshow(BW2) Roberts-ov detektor:  Najmanje zahtjevan  Nije simetričan (problem 45) 6 .dir) I=edge(f.’sobel’. BW2 = edge(I.dir) Primjeri: MATLAB I = imread('lena.’method’.T.T.t]=edge(f.

Laplace-ove metode (zero crossing) 7 .Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Problem: Može se desiti da je iznos gradijenta veći od odabranog praga na području širem od stvarne širine ivice te se javljaju „široke ivice” i gubi se bitna informacija o tačnom položaju ivice. Moguće rješenje za određivanje tačnog položaja ivice: može da se vidi da tačnom položaju ivice odgovara maksimum prvog izvoda koji se može odrediti tako da se izračuna/procjeni drugi izvod i odredi njegova nula. drugim rječima položaju ivice odgovaraju mjesta u slici u kojima drugi izvod prolazi kroz 0. Metode koje koriste drugi izvod .

Laplaceove metode su osetljive na šum. Laplasijan: osobine L operatora :  izotropan operator  ivica se nalazi u tački gdje je L=0  jednostavan i sa malo operacija  ne daje inforaciju o pravcu ivice  osjetljiv na šum 8 .Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Nedostatak L metoda: na područjima slike koja ne predstavljaju ivice ali se javljaju sitne promjene u intenzitetu boje piksela i tu se javljaju nule u drugom izvodu i detektuju lažne ivice.

’log’.T.sigma) (sigma=2)  Rezultat Laplasovog detektora se filtrira Gausovim filterom (usrednjavanje) ili  slika se filtrira (usrednjavanje) Gausovim filtrom pa da se onda primjeni Laplasijan 0 0 1 0 0   0 1 2 1 0  (za linearne operacije.t]=edge(f. nije bitan redoslijed)    1 2 16 2 1   Najčešći oblik LoG filtera (5x5):  0 1 2 1 0   0 0 1 0 0  9 .Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Laplasov operator (filter) nakon usrednjavanja Gausovim filterom [g.

Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013  Gradijentne metode:  dobre kada je kontrast izražen I šum nije izražen  L metode : bolja lokalizacija ivica 10 .

y )  non-maximal suppression koji svaku vrijednost gradijenta koja nije lokalni maksimum postavlja na 0 i pri tome koristi informaciju o smjeru gradijenta. 11 . y )  ( x. Prilikom dizajna algoritma je definisana funkciju cilja koju treba optimizirati. y )  arctan  y   Zatim se obavlja postupak koji se naziva  x f ( x .  Pronalaze se i spajaju skupovi preostalih tačaka.  f ( x. optimizirani detektor Unaprijeđeni LoG. Za to se koriste operatori slični Sobelovim. Funkcija cilja je dizajnirana tako da postigne: -maksimizaciju odnosa signal/šum -dobru lokalizaciju položaja ivice (mala udaljenost detektirane ivice i stvarne ivice u slici) -minimizira broj odziva na jednu ivicu Detekcija ivice ovim operatorom odvija se u više koraka.  Prvo se primijeni Gausov filter kako bi se slika usrednjila i uklonio šum.gradijentne metode  Pri tome se u svakoj točki slike označava u kojem smjeru je najveći iznos gradijenta i ta se informacija koristi u kasnijim fazama algoritma. obično 4 tačke koji određuje gradijente u horizontalnom i vertikalnom smjeru (2 operatora) i u dijagonalnim smjerovima (druga 2 operatora) .  zatim se određuju područja maksimuma prve derivacije.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 Canny Edge Detection (Canny 1986): najviše korišteni. Cilj je kreiranje optimalnog algoritma detekcije ivica.

1)).:.2)). # spajanje tri binarne slike 12 .:. eb=edge(A(:.3)). eg=edge(A(:.T.t]=edge(f. „unsharp“ maska Detekcija ivice u RGB Obavlja se superpozicijom detekcije po pojedinačnim komponentama er=edge(A(:.’canny’. e=er|eg|eb.:.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 [g.sigma) Substrakcija-pojačavanje ivica.

 DIP u frekventnoj domeni 13 .  obrada kolor slike.Univerzitet u Tuzli – Mašinski fakultet –Mašinska vizija Školska 2012/2013 next week:  Hough-ova transformacija.