JU UNIVERZITET U TUZLI MA INSKI FAKULTET ODSIJEK:PROIZVODNO MA INSTVO

SEMINARSKI RAD IZ PREDMETA MA INSKA VIZIJA Tema: Pronala enje uzoraka na slici

STUDENT:

PREGLEDAO:

0

ili kao na in da se otkriju rubovi u slikama. Ona se mo e koristiti u proizvodnji kao dio kontrole kvalitete. 1 .1. bez ili sa to manje intervencije ovjeka. Uzorak je sa injen od jednog ili vi e deskriptora (osobina features). Pod uzorkom podrazumjevamo kvantitativni opis objekta ili dijela slike od interesa. Ma insko prepoznavanje uzoraka uklju uje tehnike grupisanja uzoraka u pripadaju e klase. na ina za navigaciju mobilnih robota.UVOD Pronala enje uzoraka je tehnika digitalne obrade slike za pronala enje malih dijelova slike koji odgovaraju uzorku slike. Klase uzoraka su skupovi (familije) uzoraka koji dijele neke zajedni ke osobine. Poklapanje uzoraka mo e se podijeliti izme u dva pristupa: na osnovu poklapanja i na osnovu poklapanja uzoraka.

kod slika u boji.: y y y y y y y Amplitudna segmentacija (amplitude tresholding) Obilje avanje komponenti (component labeling) Metode koje koriste granicu objekta Metode koje koriste unutra njost objekta Metode grupiranja(clusterin techniques) Segmentacija pokretnih objekata Segmentacija tekstura y Segmentacija ekspertnim sustavima y Segmentacija neuronskim mre ama Na slici 1 prikazana je slikovito klasifikacija metoda segmentacije: Slika 1. Osim toga. itd. ne postoji ni na in za kvantitativnu procjenu koliko je postupak segmentacije dobar. Od atributa se naj e e koristi osvjetljenost.2.Klasifikacija segmentacije 2 . do danas ne postoji teorijska osnova segmentacije. U procesu segmentacije mogu se koristiti i druga obilje ja: ivice. Susjedni regioni treba da budu dovoljno razli iti po onom atributu po kome su uniformni. Naj e e se koristi opisna kvalitativna definicija dobre segmentacije u kojoj se ka e da regioni dobijeni postupkom segmentacije treba da budu uniformni i homogeni u odnosu na neke karakteristike. ili boja. kao to su nivo sivog (ton) ili tekstura. Segmentacija slike Termin segmentacija slike se odnosi na grupu postupaka za pod jelu slike na regione sa sli nim atributima. Unutra njost regiona treba da bude jednostavna i bez malih rupa. glatke i prostorno ta ne. Ve ina postupaka segmentacije koji su prihva eni u praksi je heuristi kog karaktera. Postoje razli ite metode segmentacije kao npr. Iako je segmentacija najva nija faza u analizi slike. a granice regiona jednostavne. mjere teksture. kod monohromatskih slika.

... jer se odavno x ! ?x1 x2 .Bazira se na homogenim regijama umjesto na konturama. Mjerne veli ine mogu biti tri komponente boje piksela.polu-automatska ili automatska ovisno o segmentacijskoj aplikaciji i definiranju koeficjenata praga.2.2.ali kada imamo multi spektralne slike mogu e je da samo regije na eg interesa imaju konstantan opseg intenziteta.Grupiranje podataka u dvodimenzionalnom prostoru. to omogu ava automatsku segmentaciju (npr. Neka je dan vektor . x N A koristi za segmentaciju monokromatskih ili slika u boji. Koeficjenti metode praga se dobivaju iz histograma intenziteta ru no ili upotrebljavaju i neki algoritam koji pronalazi vrhove i udoline histograma.izvedbi i adaptivnosti odnosa signal um. 2.Takva metoda se mo e okarakterzirati kao manualna. Segmentacija treba grupirati vektore tako da zna ajke unutar jedne grupe budu uniformne. a na slici 2 . k ) .1.pritom je posebna pa nja posve ivala kvaliteti. x2 Klasa 1 Klasa 2 Klasa 3 x1 Slika 2 . Takav proces podjele prema sli nosti vektora podataka naziva se grupiranje.Za tu svrhu razvijene su napredne metode bazirane na histogramima entropije i 2D histogramima. Ona uporebljava amplitudnu segmentaciju da prona e voxel sli nog intenziteta. esti kriterij odabira je takav da rezultantna slika bude sli na kao i originalna .Metoda grupiranja(clustering techniques): Segmentacija pomo u grupiranja je jedna od najstarijih tehnika segmentacije.Tako er metode bazirane na mjerenjima.segmentacija kosti noge iz CT-a). ili neka druga svojstva izra unata u malom prozoru oko promatranog piksela. 3 .osim histograma.prikazan je primjer grupiranja podataka u dvodimenzionalnom prostoru gdje su granice regije li nearne funkcije. Kriterij kako odabrati koeficjente ovisi o apli kaciji segmentacije..Tresholding (metoda praga) je najupotrebljavanija metoda segmentacije.Takvi algoritmi su se razvijalijali posljednjih godina. koji predstavlja mjerenja karakteristika jednog piksela slike u ( j .Neka tkiva i anatomske strukture obi no su sli nih intenziteta pa se segmentacija pomo u praga naj e e primjenjuje kao ekstraktor kontura.su se razvijale koriste i pritom statisti ku informaciju prostorne okoline intenziteta piksela.koji koriste informaciju prostora uz intenzitet pixela.

Metoda izrastanja podru ja (region growing) Osnovna ideja segmentacije pomo u izrastanja podru ja je grupiranje susjednih piksela sli nih osvjetljenosti i tako formiraju podru ja. iji je broj rubnih piksela P i P . zbog raznih ograni enja. atomska podru ja(seed). Tako se formiraju tzv. ali se ne dozvoljava spajanje dva podru ja sli nih dimenzija.Osnovni nedostatak ove metode je to ima veliku aritmeti ku slo enost.5. R 1 Zajedni ka granica C R 2 SA SB SC S H S D S SF E S G Slika 3. Postupak izrastanja podru ja prikazan je na slici 3. poslije ega se prelazi na ispitivanje podru ja ve ih dimenzija sve dok je spajanje mogu e. Neka je sa C ozna ena du ina zajedni ke granice podru ja. Podru ja R1 i R2 se mogu spojiti u jedinstveno podru je ako vrijedi: D " I2 min( P .3. a neka D predstavlja du inu zajedni ke granice gdje je razlika osvjetljenosti piksela sa obje strane granice manja od unaprijed odre enog praga I1 . Postupak se nastavlja ispitivanjem svih atomskih podru ja. Me utim. postupak grupiranja nije jednostavan. pri emu je osnovni cilj bio izdvajanje regija na povr ini zemlje koji sadr e isti tip poljoprivrednih kultura . U jednom od naj e e kori tenih postupaka segmentacije izrastanja podru ja postupak grupiranja po inje spajanjem po dva piksela iz iste vrste ije su osvjetljenosti iste. Ovim postupkom spajanja omogu ava se priklju ivanje manjih podru ja ve em. Izrastanje podru ja 4 . 2.Ova metoda je sa dosta primenjivana u segmentaciji multispektralnih satelitskih ili avionskih snimaka. P2 ) 1 gde je I 2 konstanta ija je vrijednost naj e e 0. 1 2 Prvo se promatraju dva susjedna podru ja R1 i R2 .

prikazuje kvartarno stablo i njegovu vezu sa slikom.Metoda dijeljenja i stapanja (split and merge) Metoda spajanja Metoda spajanja se koristi kada se uspore ena susjedna podru ja sli na po nekim svojstima. 5 .rezulutirano podru je e ovisiti o algoritmu pretra ivanja me u susjedima . Primje uje se da je ova metoda upotrebljena za algoritam razdvajanja podru ja koji dijeli sliku rekurzivno iz korjenskog vora. to je zadovolj avaju e za neke slu ajeve. Glavni problem s ovakvim tipom algoritma je problem odabira mjesta razdvajanja .i ako se zahtjevaju detalji u segmentaciji tada e vrijeme prora una biti dosta dugo.ali u ve ini slu ajeva razdvajanje se upotrebljava kao prva faza split/merge algoritma. Jedna metoda za odabir najprikladnijeg seed podru ja dijeli sliku u 2x2 ili 4x4 bloka i provjerava svaki blok.koji je cijela slika na po etku.za prag(treshold) koji smo zadali. Slika4.Druga metoda dijeli sliku u trake koje se dalje dijele u u e trake i tako dalje. Spajanje mora zapo eti iz uniformnog podru ja (grupa piksela koji su seed za daljnje spajanje).Raniji algoritmi su upotrebljavali uobi ajene dekompozicijske metode. Treba naglasiti da je ovaj proces sekvencijalan.2. tovi e. Izdvajanje podru ja pomo u kvartarnog stabla(quadtrees for region extraction) Va na metoda segmentacije slike koja se upotrebljava u spli/merge algoritmu je izdvajanje podru ja pomo u kvartarnog stabla. Metoda razdvajanja: Ovi algoritmi po inju od cijele slike.Tada se podru je izdvaja iz slike i sljede i vor po ne stvarati novo uniformno podru je.do dijelova koji predstavljaju koherentno podru je.Kada se vor prona e njegovi susjedi se spajaju dok ti susjedni ne prestanu zadovoljavati kriterije uniformnosti .Uobi ajen kriterij zaustavljanja procesa razdvajanja je kad svojstva novog podjeljenog podru ja se ne razlikuju od onog originalnog podru ja od koje je nastao.4.i odabranom voru(seed-u). Postoje razne metode za odbir seed podru ja.budu i da u ve ini slu ajeva proces spajanja dvaju podru ja mjenja vrijednost podru ja koje se mjeri.koju dijele na podregije dok god podreu ja(regije) nisu uniformna.U najgorem slu aju vor(seed) e biti jedan piksel.

koje je zapravo bilo kvartarno.u stablu odgovara kvadratnoj povr ini slike. Svaki M vor.Slika 4.Kvartarno stablo Kvartarno stablo uvodi jedan tip dekompozicije na sliku.) Slika 5. y k . 6 . M k . veli eli .Tu se sad pojavljuje problem pronala enja grani nog susjeda danog vora.To se sastoji od pet polja koji pohranjuju svojstva vorova: x k .u kojem se nalazi maksimum k i m minimum k vrijednosti svjetline(ili neke druge vrijednosti koje su nam od interesa).(slika 5.Da bi se segmentacijski proces zavr io on mora biti popra en s fazom spajanja. mk .Razdvajanje i spajanje s kvartnim stablom Metodi razdvajanje i spajanja prethodio je algoritam koji su razvili Horwitz i Plavidis.On se bazirao na upotrebi segementacijskog stabla.recimo k. Algoritam zapo inje s presjekom vorova grafa.

Za sliku rezolucije 2 NxN piksela teoretski je mogu e da svako polje zahtjeva N ulaza.kriterij homogenosti.0. Spajanje se obavlja uspore uju i grani ne grupe od etiri vora s uobi ajenim roditeljem.kona ni presjek vorova mora biti grupiran u podru ja. Ako zadovoljavaju kriterij onda se zamjenjuju s roditeljskim vorom.iako.Ako podru je R piramidalne strukture nije homogeno.Ovaj proces je ograni en struktirom stabla.Definiraj po etnu segmentaciju u podru ja. a ne cijelo stablo.spoji ih.Primje uje se da je pohranjen samo presjek vorova .gdje postoje podru ja.spoji ih 4. a za svoje pokretanje zahtijeva Windows platformu na kojoj je instaliran Microsoft .tako da kad je gotovo ukupno razdvajanje i spajanje. Dijelovi sistema se oslanjaju na AForge.Spoji mala podru ja s najsli nijim grani nim podru jem ako je potrebno eliminirati veli inom male podru ja.ako se bilo koje dijete sa istim roditeljem mo e spojiti u jednu homogenu regiju. U sklopu ovog rada razvijen je i sistem pod nazivom LPRS (License PlateRecognition System). AForge.potreba je mnogo manja. Sistem je u potpunosti razvijen u programskom jeziku C#.Presjek(cutset )je skup vorova koji pokrivaju cijelu sliku 2. Slika 6.i piramidalnu strukturu.NET Framework2.a da se mogu spojiti u homogeno podru je.Rj(iako su druk ijeg piramidalnog nivoa ili ako nemaju istog roditelja).NET je framework dizajniran za razvojne programere i istra iva e iz podru ja ra unalnog vida i umjetne inteligencije.NET biblioteke.podijeli ga na etiri dijela(dijeteta).Ako postoje bilo koja dva grani na podru ja Ri. 7 .Ako se nijedno podru je ne mo e spojiti niti podijeliti idi na korak (3) 3. Op eniti algoritam za razdvajanje i spajanje mo e se opisati na sljede i na in: 1. Sli no razdvajenje se obavlja razbijanjem ne uniformnih vorova u etiri dijela(dijeteta).u prakti nim slu ajevima. Navedene biblioteke se isporu uju zajedno s programskim sistemom u vidu DLL datoteka. U nastavku je dat primjer raspoznavanja znakova na registarskim tablicama (rad od An ela Martinovi a).

8 .2.Opis funkcionisanja programa Slika 7. korisnik e o tome biti obavije ten jednostavnom porukom. Sredi nji dio prozora prikazuje u itanu sliku.5. Glavno su elje programa Pri pokretanju programa korisnika do ekuje su elje sli no onome sa slike 7. Glavni izbornik omogu uje u itavanje slike s diska te pokretanje procesa prepoznavanja registarske tablice. Ako neuronska mre a jo ne postoji. Postupak je u potpunosti automatiziran. horizontalne i vertikalne projekcije slike. Ukoliko postoji spremljena konfiguracija neuronske mre e. te prikaz detekcije rubova. a korisnika e se informirati o obavljenoj akciji. Klikom na opciju Detect plate iz izbornika Tools pokre e se proces prepoznavanja tablice. ona e biti stvorena i spremljena na disk.

U gornjem dijelu je prikazana prepoznata traka unutar koje se nalazi registarska tablica. identifikaciju i razumijevanje uzoraka od interesa.Analiza i interpretacija Analiza i interpretacija podrazumijevaju otkrivanje. i prikazuje prepoznate znakove na tablici nakon sintaksne analize (Napomena: sintaksna analiza poku ava zadovoljiti sintaksne uzorke. Rezultat procesa prepoznavanja Slika 8. Nezadovoljavaju i nizovi znakova se ne odbacuju.). 9 . 3. Sredi nji dio forme zauzimaju dinami ki generirane kontrole koje prikazuju sva detektirana slova nakon procesa odrenivanja medijalne osi. mogu nost izdvajanja zna ajnih informacija iz mase irelevantnih detalja. Kona ni rezultat programa je prikazan s desne strane. mogu nost u enja na osnovu uzoraka i generalizacije nau enog tako da se mo e primijeniti u novim. njihove karakteristi ne zna ajke. slika 9. 3. te liste mogu ih znakova. druga ijim okolnostima. Automatska analiza slike mora biti u mogu nosti da poka e odre en stepen inteligencije: 1. 2. S lijeve strane se nalaze detektirana tablica nakon binarizacije i njena horizontalna projekcija. prikazuje formu koja se prika e nakon procesa prepoznavanja.Slika 8. sposobnost zaklju ivanja iz nekompletnih informacija. ve se prikazuju u cijelosti.

1. Deskriptori koji ine uzorak se uobi ajeno zapisuju u formi vektora: Primjer: Posmatrajmo tri vrste (klase) cvije a iris koje se razlikuju po du ini i. bez ili sa to manje intervencije ovjeka. Jasno je da stepen separabilnosti jako zavisi od izbora deskriptora. Usvojimo dva deskriptora:   Predstavljaju i uzorke u vektorskom prostoru. Ma insko prepoznavanje uzoraka uklju uje tehnike grupisanja uzoraka u pripadaju e klase. Blok shema procesa analize i interpretacije slike 3. Uzorak je sa injen od jednog ili vi e deskriptora (osobi na . vidimo da postoje lako i te ko separabilne klase: uzorci koji predstavljaju iris setosa se vrlo lako razdvoje od preostale dvije vrste. Uzorci i klase uzoraka Pod uzorkom emo podrazumijevati kvantitativni opis objekta ili dijela slike od interesa. 10 . Klase uzoraka su skupovi (familije) uzoraka koji dijele neke zajedni ke osobine.Slika 9.features). dok je razdvajanje iris virginica i iris versicolor na osnovu odabranih obilje ja veoma te ko. Slika 10.

slika 10 Odmjervanjem ovog signala potpisa mo emo formirati uzorak: ¦ § ¦ ¥ ¤ £ ¢¡  © ¨   S a 11 Potpis objekta 11 .S a 10 Klase uzoraka pre s avlje e u vektorskom prostoru deskriptora Ako se potpisi koriste za opis objekata. svaki objekat e biti predstavlje jednodimenzionalnim signalom.

y) dimenzija M × N korelacijom: # " !  "           se zasniva na injenici da je vrijednost korelacije maksimalna kada se u slicif (x. U navedenim primjerima su za deskriptore kori tene kvantitativne mjere nekih osobina. mo emo izra unati prvih n momenata potpisa i njih koristiti kao deskriptore uzorka. Pri klasifikaciji je veoma va an izbor odgovaraju ih deskriptora koji e omogu itiseparaciju klasa. Ako se uzme u obzir da i relacije izme u pojedinih osobina odre uju pripadnost nekoj od klasa.Klase su sad predstavljene oblacima u n-dimenzionalnom vektorskom prostoru (uzorcisu vektori u n-dimenzionalnom vektorskom prostoru). y). Sama operacija korelacije koja je veoma sli na konvoluciji ilustrovana je na slici 12. y) prona e dio koji je najsli niji tra enoj podslici w( x. rije je o ru tura nom pristupu klasifikaciji.Umjesto kori tenja vrijednosti potpisa. Kl sifi ij n osno u ko l ij Pronala enje podslike w(x. 3 2. y) dimenzija J × K u slici (x. dva puta se pove a i vrijednost korelacije). Treba napomenuti da se ta nost odre ivanjapoklapanja gubi u regionima blizu rubova slike. Jedina razlika u odnosu na konvoluciju je to se ne vr i obrtanje prozorske funkcije. Podslika w( x. Ovo se prevazilazi kori tenjem or la onih koeficijenata umjesto korelacije: %) ( & ' &%$ 12 . y) u obliku prozora se pomijera preko slike u kojoj se tra i poklapanje i nakon svakog pomaka se ra una data korelaciona suma. S a 12 Postupak odre ivanja korelacije Lo a osobina ovog metoda je ta to je vrijednost korelacije zavisna od vrijednosti svjetline (ako se nivoi svjetline pove aju dva puta.

Uzorak koji elimo prona i zapravo je podru je piksela oko jednog centralnog piksela. M  1. Slika 13. y ) ¼ ±x y ­ ½ ° 2 «  »«  » ± » ¾ ¿ ± À 2 1 2 . y) i w(x..3. N  1 § § ¬ w( x  s . s ! 0. Pronala enje uzorka unutar slike Za pronalazak uzorka potrebno je centar primjerka.1. kao i skaliranje po veli ini). y  t )  w ¼ ­ ½ x y «  gdje su  . gdje je N neparan broj kako bi centar primjerka ujedno bio i centar uzorka.... t ) ! § § ¬ f ( x . Na slici 13. 2. zero padding). 2. y )  f ( x . Iako se korelacija mo e ra unati u frekvencijskom domenu. s lijeve i desne strane vidimo slike u sivoj skali (engl. grayscale). Posmatramo ga kao primjerak dimenzija NxN. t ! 0. zbog malih dimenzija uzorka efikasnije je ra unanje uprostornom domenu....Iako je izvr ena normalizacija korelacionih koeficijenata tako da su oni neosjetljivi na promjenu amplitude. Na lijevoj slici prikazan je uzorak dimenzija 5x5 piksela koji je potrebno prona i na desnoj slici. y  t )  w¼ ­ ½­ ½ x y  ® ± « » ¯§ § ¬ f ( x . y ) ¼ ¬ w( x  s . srednje vrijednosti. odnosno centralni piksel postaviti na sve piksele desne slike. Korelacioni koeficijenti su skalirani u opseg od 1 do 1. Kako bi prona li odgovaraju i primjerak koriste se funkcije za kriterij najboljeg preklopa.. pr imjerak e prelaziti rub slike. (rotiranje slike da bi se prona ao polo aj koji daje najve i korelacioni koeficijent je ra unski zahtjevno. Tako se dobiva slika na slici. veli ine primjerka. 13 . Pronala enje uzorka unutar slike Najbolji na in raspoznavanja nekog uzorka unutar slike ilustriran je slijede im primjerom. sumiranje apsolutne razlike preklopa dviju slika. npr.K ( s. normalizacija koja bi korelaciju u inila otpornom na promjenu veli ine i rotacije je te ka. neovisno o promjeni u amplituda f (x.1. y) . y )  f ( x . dimenzija 16x16 piksela. te se nad grani nim pikselima mora izvr iti dopunjavanje nulama (engl. 3. Ukoliko se centralni piksel postavi na rubni piksel.

14 . gdje su x i y prostorne koordinate pojedine ta ke na slici. ra unalu se predaje jednostavna dvodimenzionalna funkcija f (x. glavni problem jest kako ra unalu predo iti tablicu. Ova metoda nalazi primjenu u problematici automatskog prepoznavanja registarskih tablica . ovjeku je to jednostavan posao. za navigaciju mobilnih robota ili kao na in da se otkriju rubovi u slikama kao to je navedeno u uvodu. y) .Zaklju ak Metoda pronala enja uzoraka na slici se mo e koristiti u proizvodnji kao dio kontrole kvalitete . dok ra unaru registarska tablica ne zna i ni ta vi e od skupa piksela. Formalno. a f je intenzitet svjetla u toj t a ki. Jo jedna zna ajna primjena ove metode je u pronala enju klju nih ta aka lica radi lak e identifikacije.

pdf 4.net/dip/predavanja/10aanaliza. Rad od An ela Martinovi a sa Fakulteta za elektrotehniku i ra unarstvo. http://hotlab. http://elektronika.etfbl.pdf 15 . http://dsp.hr/images/50009024/diplomski-3257-kukic.Literatura: 1.com/stari%20sajt/44%20-%20DOSlike/Dosl11.jazbina. Zagreb 3.fer.pdf 2.

.... 9 3.............................. 13 Zaklju ak............. Primjer prepoznavanja znakova na registarskim tablicama.......... 1 2........................... 10 3............................................................. Metoda grupiranja...........................Metoda izrastanja podru ja.................. 3 2................... 12 3......................................... ............................................................Sadr aj 1.............................................................................. Uzorci i klase uzoraka.................... ................................... Metoda dijeljenja i stapanja.. 3 2.. 15 16 ...................................................................... 2 2.......2...........3...............................................................2............... ...................................................1....... ..............1................. 4 2...............................................3..................................... Pronala enje uzoraka unutar slike....... Segmentacija slike...............5..............4............................................................. ...... Analiza i interpretacija ....................................................................................... Klasifikacija na osnovu korelacije.......................................... ........................................................................ 14 Literatura... 5 2................................ Uvod............................................ .................. ........................... 8 3.....................Tresholding.............................................