Обработка бинарных изображений

1. Бинарное компьютерное зрение Сайт курса: http://cvbeginner.blogspot.com/ 1

2. Из прошлой лекции… Бинаризация по порогу Алгоритмы выделения краев Масочные операции Связанность областей 2

3. Бинарное изображение 3

4. Применения Используется для оценки параметров сегментированных объектов Трассировки объектов В качестве маски 4

5. Логические операции К бинарным изображениям применимы все операции классической логики И (AND) ИЛИ (OR) Исключающее ИЛИ (XOR) Отрицание (NOT) 5

6. Логическое ИЛИ (OR) 6 Matlab: A = B|C OpenCV: cv::Mat a = b|c;

7. Логическое И (AND) 7 Matlab: A = B&C OpenCV: cv::Mat a = b&c;

8. Исключающее ИЛИ (XOR) 8

9. Отрицание (NOT) 9

10. Маскирование 10

11. Морфологические операции Стык теории множеств и интегральной геометрии Имеется: Некоторое множество X Структурный элемент B Структурный элемент определяется формой и размером Операция переноса: 11

13. imeride(BW);

14. OpenCV

17. imdilate (BW);

18. OpenCV

20. Свойства Эрозии и Дилатации Коммутативный закон Ассоциативный закон 16

22. imopen (BW);

23. OpenCVvoid morphologyEx( const Mat& src, Mat& dst, MORPH_OPEN, const Mat& element);

24. Открытие (Размыкание) 18

26. imclose (BW);

27. OpenCVvoid morphologyEx( const Mat& src, Mat& dst, MORPH_CLOSE, const Mat& element);

28. Закрытие (Замыкание) 20

29. Попадание-промах 21

30. Утончение 22

31. Построение скелета области 23

32. Алгоритм Итеративное утончение Пока изображение изменяется Применять морфологическую операцию утончение Через DT (далее) Matlab Skel = bwmorph(BW,'skel',Inf); OpenCV См. DT 24

33. Скелетонизация 25

34. Связанные области 26

35. Рекурсивный алгоритм построения связанных областей 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++); } } 27

36. Рекурсивный алгоритм построения связанных областей 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); } } 28 Вопрос: В чем минусы?

37. Двухпроходный алгоритм Если A = O Ничего не делать Иначе если B=0и C=0 Увеличить счетчик областей и присвоить его значение A Иначе если B xor C = 1 Копировать значение в A Иначе если B!=0 и C!=0 Если B = C Копировать значение в A Иначе Записать значение B или C в A; зафиксировать эквивалентность B и С 29

38. Что делать? 30

39. Пример маркировки 31

40. Пример маркировки 32

41. Реализация Matlab L = bwlabel(BW); RGB = label2rgb(L); OpenCV void findContours( const Mat& image, vector<vector<Point> >& contours,vector<Vec4i>& hierarchy, CV_RETR CCOMP, CV_CHAIN_APPROX_NONE); void drawContours( Mat& image, const vector<vector<Point> >& contours,intcontourIdx, const Scalar& color, CV_FILLED); 33

42. Дерево связанных областей 34

43. Пример трассировка животных 35

44. Перерыв Вопросы? 36

45. Distance transform (DT) Определение расстояния до ближайшего «белого пикселя» 37 "2D Euclidean distance transforms: a comparative survey", ACM Computing Surveys, Vol 40, Issue 1, Feb 2008

46. Алгоритм (DT) Простейший алгоритм – N проходов Первый проход помечает края 0 На втором помечаем все граничащие с 0 пикселикак 1 И т.д. Существует двухпроходный алгоритм 38

47. Distance transform иллюстрация 39 L2 L1 ~L2 L0

48. Реализация Matlab bwdist(~BW,'euclidean') bwdist(~ BW,'cityblock') bwdist(~ BW,'chessboard') bwdist(~ BW,'quasi-euclidean') OpenCV void distanceTransform( const Mat& src, Mat& dst, intdistanceType, intmaskSize ); 40

49. Описание бинарных компонент Для сравнения между собой или с шаблоном Требования к описанию: Инвариантность относительно размера Инвариантность относительно поворота Инвариантность относительно сдвига 41

50. Определение центра масс 42 Площадь Центр масс

51. Определение осей и их направления 43 Собственными векторами матрицы covбудут направления полуосей осей эллипса Собственными числами – длины полуосей

52. Моменты пример 44 OpenCV Moments cv::moments(const Mat& array, boolbinaryImage=false );

53. Моменты Hu 45 OpenCV void HuMoments( const Moments& moments, double h[7] );

54. Нахождение контура Внутренний контур Внешний контур 46

55. Описание контура Код последовательности (Freeman) 47

56. Описание контура Распределение расстояния до цента 48

57. Сравнение контуров OpenCV double matchShapes( const Mat& object1,const Mat& object2,int method, double parameter=0 ); 49

58. Граф Риба 50

59. Недостатки графа Риба 51

60. Рибvs Skeleton Reed Плюсы Просто строится Мало лишних деталей Содержит ключевые точки Минусы Зависит от функции Морса Нет инвариантности относительно поворота Skeleton Плюсы Инвариантен относительно поворота Однозначно Минусы Сложное вычисление Много лишних деталей 52

61. Пример использования OpenNI + NITE http://vimeo.com/17640133 53

62. Сегментация по выпуклым областям Определение выпуклости Для любой пары точек в множестве отрезок между этими точками лежит в этом множестве Приблизительная выпуклость Отклонение от прямой наикратчайшего расстояния между точками в множестве 54

63. Приблизительная выпуклость 55

64. Сегментация по выпуклым областям Пример 56 Liu et al. Convex Shape Decomposition CVPR 2010

65. Сегментация по выпуклым областям Compute multiple Morse functions; for each Morse function do Construct Reeb Graph; Compute Mutex pairs and add them into MutexSet; Compute candidate cuts and add them intoCandidate Cut Set; end for each cut in Candidate Cut Set do for and each mutex pair in Mutex Set do Check whether the cut satisfy the mutex pair end end 4. Solve the linear programming problem 5. Obtain final cuts; 57

66. Сравнение описаний 58

67. Вопросы 59