petar Ćurković, dipl. ing. tomislav stipančić, dipl. ing
DESCRIPTION
Segmentacija slike. Petar Ćurković, dipl. ing. Tomislav Stipančić, dipl. ing. Bojan Šekoranja. Segmentacija slike. Pri analizi objekata na slici neophodno je razgraničiti “objekte od interesa” od ostatka slike Tehnika koja izdvaja objekte od interesa se naziva segmentacija . - PowerPoint PPT PresentationTRANSCRIPT
Petar Ćurković, dipl. ing.
Tomislav Stipančić, dipl. ing.
Bojan Šekoranja
Segmentacija slikeSegmentacija slike
1
Segmentacija slike• Pri analizi objekata na slici neophodno je razgraničiti “objekte
od interesa” od ostatka slike • Tehnika koja izdvaja objekte od interesa se naziva
segmentacija. • Metode segmentacije mogu se razdijeliti u tri grupe:thresholding– određivanje praga– izdvajanje cijelog objekta od
pozadineedge-based segmentacija – pronalaženje rubovaregion-based segmentacija – segmentacija bazirana na regijama• Ne postoji univerzalna tehnika segmentacije koja će raditi na
svim slikama niti je i jedna tehnika segmentacije savršena.
2
Segmentacija slikePotpuna segmentacija slike je kada je slika razdjeljena na konačan broj regija R1,..., Rs,
3
Tresholding-određivanje praga• Gray-level thresholding je najjednostavniji segmentacijski
proces.• Mnogi objekti ili regije slike imaju karakterističnu konstantnu
refleksiju ili apsorbciju svjetla na njihovim površinama – to nam omogućuje da odredimo neki konstantni iznos tj. prag koji će razdvajati objekte od pozadine
• Određivanje praga je računski nezahtjevna i jednostavna metoda – to je najstarija metoda koja još ima široku primjenu za jednostavnije zadatke
• Vrlo se jednostavno izvodi u realnom vremenu uz pomoć adekvatne opreme
4
Tresholding-određivanje pragaOsnovni algoritam:Provjeriti sve pixele orginalne slike. Algoritam transformira ulaznu sliku u binarnu (segmentiranu)
sliku i to na način:
gdje je T prag, g(i,j) = 1 su objekti a g(i,j) = 0 pozadina ili obrnuto.
Ako se objekti međusobno ne dodiruju i ako se jasno razlikuju od pozadine onda je ovo prigodna metoda
5
Tresholding-određivanje pragaVrlo je bitno odrediti dobar prag – samo u rjetkim
slučajevima se dešava da je jedan prag dobar za cijelu sliku (globalni prag) pošto je već i kod dosta jednostavnih slika dolazi do varijacija – te varijacije mogu biti uzrokovane nejednakim osvjetljenjem i nizom drugih faktora
Segmentacija pomoću varijabilnih pragova – kada prag varira u različitim dijelovima slike kao funkcija lokalnih karakteristika slike može dati rješenja u tom slučaju
6
Tresholding-određivanje praga(a) Originalna slika (b) Threshold
segmentacija(c) Prag previsok (d) Prag prenizak
7
Tresholding-određivanje praga
(a) Originalna slika(b) Detekcija rubova korištenjem raspona
Korištenje rasponag(i,j) = l for f(i,j) Є D1, = 2 for f(i,j) Є D2, = 3 for f(i,j) Є D3,… = n for f(i,j) Є Dn, = 0 u drugim slučajevima
8
Tresholding-određivanje pragaMetode određivanja praga se koriste da bi se odredio prag
automatski. Ako unaprijed znamo neku značajku slike zadatak određivanja je pojednostavljen jer se određuje prag koji zadovoljava tu značajku.
Metode se baziraju na analizi oblika histograma -najčešće se koristi histogram prvog reda
9
Tresholding-određivanje pragaHistogram prvog reda predstavlja relativnu frekvenciju svjetlina točaka u
sliciHistogram može biti bimodalan ili multimodalanHistogram se može izračunati globalno ili lokalno
Mogući problem: Određivanje minimuma je teško zbog izlomljenosti krivulje histograma
Rješenje: Izgladiti histogram ili izvršiti interpolaciju glatkom funkcijom
10
Tresholding-određivanje pragaPristupi tresholding segmentacijiOdrediti pragove pomoću minimuma u histogramuOdrediti iznos praga tako da određeni dio točaka ima
svjetlinu nižu od pragaOdrediti prag na osnovu histograma izračunatog samo za
točke u slici koje zadovoljavaju neki kriterij (npr. imaju veliki gradijent)
Koristiti a priori statističko znanje o regijama da bi minimizirali neku veličinu (npr. pogrešku)
11
Tresholding-određivanje pragaBimodalna segmentacijaKod mnogih slika vrijednost točaka pada u jednu od dvije
grupe (tamne ili svjetle točke)Primjeri: pisani tekst, mikroskopski uzorci, avioni na
pisti, kosti na roentgenskom filmu,...U takvim slučajevim se objekt može izdvojiti od pozadine
na osnovi vrijednosti amplitudePraktični problemi kod izbora vrijednosti praga: šum i
smetnje, objekt i pozadina imaju širok raspon vrijednosti, neuniformna pozadina
12
Tresholding-određivanje pragaBimodalna segmentacija
13
Tresholding-određivanje pragaOdabir pragaAko je histogram bimodalan (ima dva istaknuta maksimuma
između kojih se nalazi minimum) onda za prag treba odabrati amplitudnu vrijednost koja odgovara srednjem minimumu
p-tile thresholding – ako je poznato da objekt prekriva određeni dio površine slike može se prag odrediti tako da segmentirana regija ima površinu jednaku željenom dijelu ukupne površine slikeprimjer: ispisani tekst na nekoj stranici pokriva 1/p površinu stranice. Koristeći se tom informacijom o omjeru između dijela sa tekstom i praznog dijela vrlo se jednostavno određuje prag (na osnovu histograma) tako da 1/p dio slike bude iznad praga a drugi dio ispod praga.
14
Tresholding-određivanje pragaVišemodalna segmentacijaVišemodalni histogram je histogram koji ima više od dva
globalna maksimumaSlika tada sadrži nekoliko dominantnih nivoa amplituda
(nekoliko vrsta objekata)Ako je razdioba dominantnih amplituda unaprijed poznata
onda je lako odrediti pragoveAko je razdioba amplituda slike nepoznata sliku je
moguće segmentirati raznim iterativnim metodama
15
Tresholding-određivanje pragaVišemodalna segmentacija
Tomita metodaTomita je razvio rekurzivnu metodu gdje se u prvom
koraku slika pragom dijeli u dvije regijeU drugom koraku se računa histogram za svaku od regija i
ako je histogram bimodalan regija se ponovo dijeli u dva dijela
Ako je histogram unimodalan regija se ne dijeliProcedura se rekurzivno ponavlja sve dok se svi
bimodalni histogrami ne eliminiraju i ostanu samo unimodalni histogrami (prema nekom kriteriju)
16
Tresholding-određivanje pragaVišemodalna segmentacija
17
Segmentacija bazirana na rubovimaengl. edge-based Segmenatacija bazirana na rubovima se zasniva na
rubovima pronađenim uz pomoć raznih detektora – ti rubovi označavaju lokacije diskontinuiteta između nijansi, boja, teksture ili nečeg drugoga
Najčešće se problemi kod ove segmentacije javljaju zbog šumova ili drugih vrsta loših informacija o slici a to su da se registrira rub gdje ne postoji ili da se ne registrira gdje on postoji
Granice objekata se mogu izdvojiti metodama:Praćenje graniceInterpolacije krivuljaHough-ova transformacija
18
Segmentacija bazirana na rubovimaPraćenje graniceDetekcija rubova je važna u analizi slika zato što rubovi
određuju granice objekata i zato su korisni za segmentaciju registraciju i identifikaciju objekata na slici
Rubovi su mjesta naglih promjena u vrijednosti točaka slike
Zato je moguće koristiti gradijent funkcije za detekciju ruba
19
Segmentacija bazirana na rubovimaPraćenje graniceGradijent funkcije dviju varijabli je vektor koji pokazuje
smjer najbrže promjene funkcije f
S obzirom na detekciju smjera ruba postoji podjela na gradijentne (u dva ortogonalna smjera) i kompas (u više smjerova) operatore
20
Segmentacija bazirana na rubovimaInterpolacije krivuljaNekad je moguće točke rasporeda rubova (edge map)
povezati metodama interpolacije da bi se dobila zatvorena kontura koja definira regiju
Potrebno je razbiti konturu u dijelove koji se interpolirajuZa interpolaciju moguće je koristiti polinomske ili spline
metodeJednostavni iterativni algoritam za interpolaciju krivulje
linearnim segmentima je opisan u nastavku
21
Segmentacija bazirana na rubovimaInterpolacije krivuljaPočetna i završna točka su A i BU svakom koraku mjeri se
maksimalna pogreška i ako ona prelazi granicu onda se segment razbija u dva segmenta
Postupak se ponavlja dok se ne postigne željena točnost
22
Segmentacija bazirana na rubovimaHough-ova transformacijaHT se koristi za detekciju linija u sliciPravac se može opisati slijedećom jednadžbom:
gdje je ρ udaljenost pravca od ishodišta a ϑ kut nagibaHough transformacija pravca je točka u koordinatnom
sustavu (ρ, ϑ)Familija pravaca koji prolaze kroz jednu točku se
preslikava u skup točaka koje leže na sinusoidi
23
Segmentacija bazirana na rubovimaHough-ova
transformacijaPravac se
preslikava u točkuFamilija pravaca
kroz točku se preslikava u sinusoidu
24
Segmentacija bazirana na rubovimaHough-ova transformacijaAko imamo tri kolinearne točke onda pravac na kojem one
leže ima parametre sjecišta triju sinusoidaSvaka sinusoida u parametarskom prostoru odgovara snopu
pravaca određenog točkom
25
Segmentacija bazirana na rubovimaHough-ova transformacija
Hough transformacija za segmentaciju magnetske rezonancije mozga na lijevu i desnu polutku
26
Segmentacija bazirana na rubovimaHough transformacija – primjer
detekcije krugova
(a) Originalna slika tamnog kruga (poznatog radijusa na svjetloj pozadini)
(b) Za svaki tamni pixel određuje se moguće mjesto središta kruga sa krugom radijusa r i središtem u tom pixelu
(c) Frekventnost pojavljivanja pixela određuje središte našeg kruga – najfrekventnije mjesto je središte i označava se sa •
(d) Houghova transformacija točno detektira krug (označen sa •) čak i sa nekompletnim informacijama
27
Segmentacija bazirana na rubovimaHough-ova
transformacijaHough transformacija
—detekcija krugova,
(a)Originalna slika,
(b)Praćenje granice (vidimo da daje dosta loše rezultate),
(c)Parametarski prostor,
(d)Detektirani krugovi
28
Segmentacija bazirana na regijamaengl. region based methodsCilj ovih metoda je identificirati dijelove slike koje imaju
slične značajkeDvije karakteristične metode su:
Izrastanje područja (region growing)
Metoda dijeljenja i stapanja (split and merge)Za razliku od prethodnih metoda u kojima su se tražili rubovi
između regija ove metode direktno određuju regijeOva metode je pogodnije su za slike koje imaju dosta šuma
gdje je teško odrediti granice
29
Segmentacija bazirana na regijamaProblem segementacije izrastanjem područja sastoji se u
određivanju uniformnih skupina točaka slike (regija) Algoritmi za izrastanje područja uspoređuju svojstva
neklasificirane točke s dotad segmentiranom regijom da bi odlučili da li točka pripada regiji ili ne
Tehnike izrastanja područja mogu se podijeliti u tri grupe s obzirom na način uspoređivanja točaka:
• na osnovi sličnosti dvaju susjednih točaka• na osnovi sličnosti okolina dvaju susjednih točaka• na osnovi sličnosti točke i centroida regije
30
Izrastanje područja (region growing)
Metode pomoću sličnosti točakaengl. single linkage region growingsvaka točka slike predstavlja čvor grafasusjedne točke sličnih svojstava povezuju se granomsegmenti slike su maksimalni skupovi točaka koje pripadaju
jednoj povezanom skupu
31
Izrastanje područja (region growing)Metode pomoću sličnosti točaka
PrimjerPrimjer gdje se točke smatraju sličnima ako je razlika
vrijednosti manja od 5Korišteno je 4-susjedstvo za definiciju povezanog područja
32
Izrastanje područja (region growing)
Metode koje koriste sličnost okolinaengl. hybrid-linkage region growingove tehnike svakoj točki dodjeljuju vektor značajke koji
ovisi o K×K susjedstvu te točkenekoliko pristupa koristi maske za detekciju ruba za
označavanje točkaka koje pripadaju granicisegmentirane regije su onda povezani skupovi
neobilježenih točakaProblem: Ako je rub prekinut dolazi do povezivanja
različitih regija
33
Izrastanje područja (region growing)
Metode koje ispituju sličnost točke i regijeengl. centroid-linkage region growingkod ovih metoda ne uspoređuju se susjedne točkeSlikom se prolazi nekim redoslijedom i vrijednost točke
se uspoređuje s srednjom vrijednosti dosad klasificiranih točaka u regiji
34
Izrastanje područja (region growing)Metode koje ispituju sličnost točke i regije
PrimjerSlikom se prolazi red po redNeka točka y predstavlja trenutnu poziciju i neka točke 1, 2, 3 i
4 pripadaju respektivnim regijamaTočka y klasificira se u regiju i ako ima svjetlinu najbližu
srednjoj vrijednosti točaka u regiji iAko dvije regije imaju slične srednje vrijednosti onda se te
dvije regije stope (spoje)
35
Dijeljenje i stapanjeengl. split and mergeKod metode dijeljenja i stapanja koristi se prikaz slike
pomoću kvartarnog stabla gdje se svaka grana dijeli u četiri grane (engl. quad tree)
Inicijalna segmentirana regija je cijela slikaAko je regija neuniformna onda se razbija u četiri
podregijeAko su četiri susjedne regije uniformne onda se stapaju u
jednu regijuUniformnost regije se mjeri npr. pomoću razlike svjetline
najtamnije i najsvjetlije točke u regiji
36
Dijeljenje i stapanje
37
Traženje sličnosti• Eng. matching• Traženje sličnosti se može koristiti da se lociraju objekti
za koje znamo kako izgledaju, da pronađemo specifične obrasce, itd.
38
Evaluacija segmentacije • Evaluacija segmentacije je korisna kada trebamo izabrati jedan
od više algoritama ili obabrati parametre za izabrani algoritam• Nadzirana evaluacija uspoređuje rezultat koji daje algoritam i
realno stanje• Nadzirane evaluacije obično uspoređuju preklapanje površina
ili udaljenost između granica—postoji više načina da se to izvede
• Često je realno stanje slabo definirano ili je skupo doći do njega. Nenadzirane metode ocjenjuju segmentaciju neovisno o njemu
• Postoje mnoge nenadzirane metode ali su obično ograničene pretpostavkama regija slike
39