Bildverarbeitung Herbstsemester. Mustererkennung

Bildverarbeitung Bildverarbeitung Herbstsemester 2009 Herbstsemester 2012 Mustererkennung 1 Inhalt • • • • • • • • Einführung Mustererkennung in G...
Author: Elsa Ziegler
48 downloads 1 Views 1MB Size
Bildverarbeitung Bildverarbeitung Herbstsemester 2009 Herbstsemester 2012

Mustererkennung 1

Inhalt • • • • • • • •

Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung in Binärbildern Direkter Vergleich Chamfer Matching

FHNW bverI HS 12 - Prof. Dr. C. Stamm

2

Lernziele • Sie verstehen das grundlegende Verfahren der Mustererkennung für Graustufenbilder und Sie kennen geeignete Ähnlichkeitsmasse. • Sie kennen den Korrelationsbegriff und sind in der Lage den Korrelationskoeffizienten richtig zu interpretieren. • Bei der Mustererkennung für Binärbilder verstehen Sie die Schwierigkeiten des direkten Bildvergleichs und können Massnahmen zur Abhilfe nennen. • Sie können den Chamfer-Matching-Algorithmus implementieren und kennen eine geeignete Variante zur Berechnung der Distanztransformation. FHNW bverI HS 12 - Prof. Dr. C. Stamm

3

Einführung • Ziel der Mustererkennung (Pattern Matching, PM) – In einem gegebenen Bild soll ein vorgegebenes Muster (Pattern oder Template) lokalisiert werden. Generell gilt, dass das Muster kleiner oder gleich dem Bild ist.

• Einsatzgebiete – Verfolgen (Tracking) von Objekten in einem Video – Auffinden von gleichen Punkten in stereoskopischen Bildern

• Ansatz – Muster übers Bild hinweg bewegen und an jeder Position die Ähnlichkeit zwischen Muster und entsprechendem Teilbild bestimmen – Umgang mit linearen Abbildungen des Musters FHNW bverI HS 12 - Prof. Dr. C. Stamm

4

Definitionen

FHNW bverI HS 12 - Prof. Dr. C. Stamm

5

PM in Grauwertbildern • Gegeben – Grauwertbild I(u,v) – Referenzbild R(i, j)

• Ziel – R in I lokalisieren, so dass optimale Übereinstimmung der entsprechenden Bildinhalte besteht  Verschiebungsvektor (r, s)T bestimmen

• Probleme – geeignetes Mass für die Ähnlichkeit zwischen zwei Teilbildern (z.B. PSNR) – geeignete Suchstrategie, um die optimale Verschiebung möglichst rasch zu finden FHNW bverI HS 12 - Prof. Dr. C. Stamm

6

Beispiel

FHNW bverI HS 12 - Prof. Dr. C. Stamm

7

Ähnlichkeitsmasse • Summe der Differenzbeträge

• Maximaler Differenzbetrag

• Summe der quadratischen Abstände (euklid. Dist.)

• globale lineare Kreuzkorrelation

FHNW bverI HS 12 - Prof. Dr. C. Stamm

8

Beispiel: Ergebnisse (1)

FHNW bverI HS 12 - Prof. Dr. C. Stamm

9

Normalisierte Korrelation • Praxis – die Annahme, dass die Signalenergie annähernd gleichförmig im Bild verteilt ist, trifft oft nicht zu  Korrelation ist von Intensitätsänderungen im Bild stark abhängig

• Normalisierte Kreuzkorrelation

FHNW bverI HS 12 - Prof. Dr. C. Stamm

10

Korrelationskoeffizient (1) • Ziel – Invarianz bezüglich der mittleren Helligkeit in Bildausschnitt und Referenzbild

• Einbezug der Mittelwerte

FHNW bverI HS 12 - Prof. Dr. C. Stamm

11

Korrelationskoeffizient (2)

R K

• Vorteile dieser Darstellung – Mittelwert und Standardabweichung des Referenzbildes müssen nur einmal vorgängig berechnet werden – bei der Iteration durch den Bildausschnitt können sowohl beide Summen der Formel als auch der Mittelwert des Bildausschnittes gleichzeitig berechnet werden

FHNW bverI HS 12 - Prof. Dr. C. Stamm

12

Beispiel: Ergebnisse (2)

g) sehr ähnlich zur Summe der quadratischen Abstände, da im Grunde das gleiche Mass h) bestes Ergebnis

FHNW bverI HS 12 - Prof. Dr. C. Stamm

13

Beispiel: Ergebnisse (3)

FHNW bverI HS 12 - Prof. Dr. C. Stamm

14

Drehung und Skalierung • Achtung – korrelationsbasierte PM-Methoden reagieren nicht adäquat auf skalierte und rotierte Muster – kommen nur ganz wenige Grössen und Drehungen des Musters vor, können diese wie eigenständige Muster behandelt werden  kombinatorische Explosion

FHNW bverI HS 12 - Prof. Dr. C. Stamm

15

PM in Binärbildern • Direkter Vergleich von Bildausschnitt und Muster – korrelationsbasierte Verfahren sind problematisch, weil die Abstandsfunktion zur Bestimmung der Intensitätsdifferenz in Binärbildern ein unangenehmes Verhalten mit vielen Spitzenwerten aufweist

FHNW bverI HS 12 - Prof. Dr. C. Stamm

16

Problematik und Ansatz • Problem – fehlende kontinuierliche Intensitätsverläufe

• Ansatz – aus Binärbild ein Graustufenbild mit glatten Verläufen erzeugen – die Helligkeit ausgehend von einem schwarzen Originalpixel soll mit der Distanz kontinuierlich zunehmen

FHNW bverI HS 12 - Prof. Dr. C. Stamm

17

Distanztransformation • Definitionen

• Algorithmen – naiver Ansatz von jedem Pixel p aus den nächstliegenden Vordergrundpixel p' suchen, wobei in konzentrischen, grösser werdenden Kreisen um p herum gesucht wird

– Chamfer-Algorithmus

FHNW bverI HS 12 - Prof. Dr. C. Stamm

18

Chamfer-Algorithmus • Idee – wellenförmige Ausbreitung der Distanzwerte

• Initialisierung – D(u,v) := (I(u,v) = 1) ? 0 : ∞

• Algorithmus – erste Welle breitet sich von links oben nach rechts unten aus if D(u,v) > 0 then D(u,v) := min( D(u+i,v+j) + ML(i,j) )

– zweite Welle breitet sich von rechts unten nach links oben aus

0

if D(u,v) > 0 then D(u,v) := min( D(u+i,v+j) + MR(i,j) ) FHNW bverI HS 12 - Prof. Dr. C. Stamm

19

Chamfer Matching (1) Ähnlichkeitsmass

FHNW bverI HS 12 - Prof. Dr. C. Stamm

20

Chamfer Matching (2) • Schritt 3 – Minimum suchen

FHNW bverI HS 12 - Prof. Dr. C. Stamm

21

Chamfer Matching Beispiel

FHNW bverI HS 12 - Prof. Dr. C. Stamm

22