Графическая информация
<<  Анализ изображений на космических снимках и моделирование пространственной организации растений Маленький человек в изображении писателей XIX-начала XXв  >>
Бинарное изображение
Бинарное изображение
Бинарное изображение
Бинарное изображение
Выделение связных областей
Выделение связных областей
Выделение связных областей
Выделение связных областей
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Пример периметров области
Пример периметров области
Пример изображения с подсчитанными характеристиками областей
Пример изображения с подсчитанными характеристиками областей
Другие инвариантные характеристики области
Другие инвариантные характеристики области
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Пример сегментации
Пример сегментации
Пример сегментации
Пример сегментации
Пример сегментации
Пример сегментации
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Выделение прямых на изображении
Выделение прямых на изображении
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Размер ячеек стоит выбирать аккуратно
Размер ячеек стоит выбирать аккуратно
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Картинки из презентации «Анализ информации, содержащейся в изображении» к уроку информатики на тему «Графическая информация»

Автор: vvp. Чтобы познакомиться с картинкой полного размера, нажмите на её эскиз. Чтобы можно было использовать все картинки для урока информатики, скачайте бесплатно презентацию «Анализ информации, содержащейся в изображении.ppt» со всеми картинками в zip-архиве размером 702 КБ.

Анализ информации, содержащейся в изображении

содержание презентации «Анализ информации, содержащейся в изображении.ppt»
Сл Текст Сл Текст
1Анализ информации, содержащейся в 24после первой итерации (шаг 2).
изображении. На примере бинарных 25Пример кластеризации в 2D. Пересчет
изображений. Бинарное изображение – центров кластеров после первой итерации
изображение, пиксели которого принимают (шаг 3).
всего два значения (0 и 1). 26Пример кластеризации в 2D. Кластеры
2Бинарное изображение. Пример после второй итерации (шаг 2).
изображения для обработки. 27Пример кластеризации в 2D. Стабильная
3Выделение связных областей. конфигурация после четвертой итерации.
Определение связной области: Множество 28Применение k-средних для сегментации
пикселей, у каждого пикселя которого есть изображений по яркости. Рассматриваем
хотя бы один сосед, принадлежащий данному одномерное пространство яркостей пикселей
множеству. Соседи пикселей: 4-связность. и производим в нем кластеризацию с помощью
8-связность. k-средних. Это дает автоматическое
4Разметка связных областей. 1. 1. 2. 2. вычисление яркостных порогов. (Для
2. 1. 1. 2. 2. 2. 3. 4. 4. 5. 4. 4. 4. 6. получения бинарного изображения k=2).
6. 6. 6. 6. 7. Бинарное изображение. 29Пример сегментации. k = 2. k = 3.
Размеченное изображение. 30Сравнение k-средних с порогом по
5Рекурсивная разметка связных областей средней яркости. После лекции был задан
1. Void labeling(bit* img[], int* вопрос: чем отличается сегментация с
labels[]) { // labels должна быть обнулена помощью k-средних на 2 кластера от
L = 1; for(y = 0; y < H; y++) for(x = простейшей пороговой бинаризации по
0; x < W; x++) { fill(img, labels, x, средней яркости изображения? Пример: В
y, L++); } }. причинах предлагается разобраться
6Рекурсивная разметка связных областей самостоятельно. K-средних. Порог по
2. void Fill(BIT* img[], int* labels[], средней яркости.
int x, int y, int L) { if( (labels[x][y] = 31Преобразование Хафа (Hough).
= 0) && (img[x][y] = = 1) ) { Преобразование Хафа позволяет находить на
labels[x][y] = L; if( x > 0 ) Fill(img, бинарном изображении плоские кривые,
labels, x – 1, y, L); if( x < W - 1 ) заданные параметрически, например: прямые,
Fill(img, labels, x + 1, y, L); if( y > окружности, эллипсы, и т.д. Бинарное
0 ) Fill(img, labels, x, y - 1, L); if( y изображение – изображение, пиксели
< H - 1 ) Fill(img, labels, x, y + 1, которого принимают всего два значения (0 и
L); } }. 1). Считаем 0 – точками фона, 1 – «точками
7Разметка связных областей путем интереса». Задача преобразования Хафа
последовательного сканирования. состоит в выделении кривых, образованных
Последовательно, сканируем бинарное точками интереса.
изображение сверху вниз, слева направо: 32Основная идея метода. Рассмотрим
Постобработка - переразметка с учетом семейство кривых на плоскости, заданное
эквивалентностей областей. if A = O do параметрическим уравнением: F(a1, a2, …,
nothing else if (not B labeled) and (not C an, x, y) = 0; где F - некоторая функция,
labeled) increment label numbering and a1, a2, ..., an - параметры семейства
label A else if B xor C labeled copy label кривых, x, y - координаты на плоскости.
to A else if B and C labeled if B label = Параметры семейства кривых образуют
C label copy label to A else copy either B фазовое пространство, каждая точка
label or C label to A record equivalence которого (конкретные значения параметров
of labels. a1, a2, ..., an) соответствует некоторой
8Разметка связных областей путем кривой. Идея преобразования Хафа состоит в
последовательного сканирования. Случай поиске кривых (точек фазового
конфликта: Постобработка - переразметка с пространства), которые проходят через
учетом эквивалентностей областей. достаточное количество точек интереса.
9Анализ формы связных областей. Для 33Машинное представление. Ввиду
каждой области можно подсчитать некий дискретности машинного представления и
набор простейших числовых характеристик: входных данных (изображения), требуется
Площадь Периметр Компактность Ориентацию перевести непрерывное фазовое пространство
главной оси инерции Удлиненность в дискретное. Вводим сетку на фазовом
(эксцентриситет) На основе этих пространстве Каждой ячейке сетки ставим в
характеристик можно классифицировать соответствие счетчик Значение счетчика
получаемые области. каждой ячейки устанавливаем равным
10Анализ формы связных областей. Площадь количеству точек интереса, через которые
– количество пикселей в области; Периметр проходит хотя бы одна кривая, параметры
– количество пикселей принадлежащих которой принадлежат данной ячейке. Анализ
границе области; Компактность – отношение счетчиков ячеек позволяет найти на
квадрата периметра к площади; Наиболее изображении кривые, на которых лежит
компактная фигура – круг, . наибольшее количество точек интереса.
11Подсчет периметра области. Пиксель 34Выделение прямых на изображении.
лежит на границе области, если он сам Прямую на плоскости можно задать следующим
принадлежит области и хотя бы один из его образом: x cos? + y sin? = R, R - длина
соседей области не принадлежит. перпендикуляра опущенного на прямую из
(внутренняя граница) Пиксель лежит на начала координат, ? - угол между
границе области, если он сам не перпендикуляром к прямой и осью OX, ?
принадлежит области и хотя бы один из его изменяется в пределах от 0 до 2? , R
соседей области принадлежит. (внешняя ограничено размерами входного изображения.
граница) Периметр зависит также от того 35Выделение прямых на изображении. Таким
4-х или 8-ми связность используется для образом функция, задающая семейство
определения соседей. прямых, имеет вид: F (R, ?, x, y) = x cos?
12Пример периметров области. Область. + y sin? - R. Через каждую точку (x, y)
Внутренняя граница. Внешняя граница. изображения можно провести несколько
13Статистические моменты области. прямых с разными R и ?, то есть каждой
Дискретный центральный момент mij области точке (x, y) изображения соответствует
определяется следующим образом: N – общее набор точек в фазовом пространстве (R, ?).
количество пикселей в области. В свою очередь каждой точке пространства
14Инвариантные характеристики области. (R, ?) соответствует набор точек (x, y) на
Для распознавания нас интересуют изображении, образующий прямую.
характеристики инвариантные по отношению к 36Изображение и фазовое пространство.
масштабированию, переносу, повороту: Через одну точку можно провести несколько
Удлиненность, нецентрированность прямых. Учитывая дискретность и введенную
(эксцентриситет) Компактность. сетку, их будет конечное число. Каждой
15Ориентация главной оси инерции. Не прямой пространства (x, y) соответствует
является инвариантной к повороту, но в точка фазового пространства (R, q). Прямые
ряде случаев предоставляет полезную с левого рисунка образуют синусоиду.
информацию об ориентации объекта: 37Изображение и фазовое пространство.
16Пример изображения с подсчитанными Изображение с пятью точками интереса.
характеристиками областей. Кривые в фазовом пространстве,
17Другие инвариантные характеристики соответствующие множеству прямых
области. проходящих через каждую из точек. Точки
18Перевод изображения в бинарное. пересечения кривых в фазовом пространстве
Простейший случай – выделение областей, соответствуют параметрам прямых,
яркость которых выше/ниже некоторого проходящих более чем через одну точку
порога. интереса.
19Как автоматически вычислить порог? 38Дискретизация фазового пространства.
Сегментация изображения на области Переводим непрерывное фазовое пространство
однородной яркости методом k-средних. в дискретное. Введем сетку на пространстве
Метод k-средних – метод кластеризации (R, ?), одной ячейке которой соответствует
данных, строящий кластеры настолько набор прямых с близкими значениями R и ?.
различные, насколько это возможно. Целью Счетчик ставится в соответствие каждой
задачи кластеризации является разбиение ячейке сетки [Ri, Ri+1]x[?i,?i+1], равный
множества объектов на классы (кластеры) на числу точек интереса на изображении,
основе некоторой меры сходства объектов (в удовлетворяющих уравнению: x cos? + y sin?
нашем случае мера сходства это близость = R, где ?i ? ? ? ?i+1, Ri ? R ? Ri+1.
яркостей пикселей). 39Алгоритм выделения прямых. В общем
20Алгоритм k-средних. Дано: Набор случае алгоритм поиска прямой на
векторов xi i=1,…,p; k – число кластеров, изображении при помощи преобразования Хафа
на которые нужно разбить набор xi; Найти: выглядит так: Обнулить счетчики всех
k средних векторов mj j=1,…,k (центров ячеек; для каждой точки интереса на
кластеров); отнести каждый из векторов xi изображении: для каждой прямой, проходящей
к одному из k кластеров; через данную точку увеличить
21Алгоритм k-средних. Случайным образом соответствующий счетчик; выбрать ячейки со
выбрать k средних mj j=1,…,k; Для каждого значением счетчика, превышающим заданный
xi i=1,…,p подсчитать расстояние до порог;
каждого из mj j=1,…,k, Отнести (приписать) 40Размер ячеек стоит выбирать аккуратно.
xi к кластеру j’, расстояние до центра Если ячейки будут очень большими, то за
которого mj’ минимально; Пересчитать «прямую» может приниматься разрозненный
средние mj j=1,…,k по всем кластерам; набор точек. Если же наоборот, ячейки
Повторять шаги 2, 3 пока кластеры не будут слишком малы, есть вероятность, что
перестанут изменяться; ни одной прямой не найдется – все счетчики
22Пример кластеризации в 2D. Исходные будут иметь небольшое значение.
данные. 41Примеры работы.
23Пример кластеризации в 2D. Случайная 42Примеры работы (с шумом).
инициализация центров кластеров (шаг 1). 43Примеры работы (фрагменты прямых).
24Пример кластеризации в 2D. Кластеры
Анализ информации, содержащейся в изображении.ppt
http://900igr.net/kartinka/informatika/analiz-informatsii-soderzhaschejsja-v-izobrazhenii-65863.html
cсылка на страницу

Анализ информации, содержащейся в изображении

другие презентации на тему «Анализ информации, содержащейся в изображении»

«Компьютерное изображение» - На входе и на выходе изображения Простейшие примеры: изменение яркости, насыщенности, контраста изображений. Текстуры и тени (отражение в зеркале). На лекции. Аксонометрическая проекция. Организация курса. Реконструкция формы головы по фотографиям. Отображение ночного тона на дневной. Реконструкция сцены и фотомонтаж.

«Создание графических изображений» - Вставка ? Рисунок ? Из файла. Создание и редактирование графических изображений. Полотно. Вставить рисунок из коллекции в текст. Поле ввода текста. Границы полотна. Вставка картинки из коллекции Microsoft Office. Положение графического изображения в тексте. Автофигуры. Вставка ? Рисунок ? Картинки. Кнопка Автофигуры предназначена для рисования различных геометрических фигур.

«Изображение в полиграфии» - Соединение изображения с текстом. Главное свойство полиграфического изображения. Специфика изображения в полиграфии. Отличительная черта большинства изобразительных полиграфических произведений. Книга. Множественность Массовость Общедоступность. Искусство книги. Шрифт.

«Векторная и растровая графика» - Недостатки векторной графики. Векторные изображения описываются десятками, а иногда и тысячами команд. Одно из самых впечатляющих чувств человека - это зрение. Каждый день мы видим вокруг себя море разных красок, оттенков и теней. Векторные примитивы задаются с помощью описаний. Все изображения можно разбить на мельчайшие части.

«Компьютерная графика» - Основные проблемы при работе с растровой графикой. Сравнительная характеристика растровой и векторной графики. Виды компьютерной графики. Большие объемы данных. Фрактальная графика. Компьютерная графика. Каждая точка экрана может иметь лишь два состояния – «черная» или «белая». 3D графика. Пиксель. Пиксел – наименьший элемент растрового изображения.

«Изображение в Word» - Действия с графическими объектами. Выбор линий, стрелок, фигур. Что можно нарисовать с помощью простых фигур и автофигур. Изображения. Работа с картинками в текстовом редакторе Microsoft Word. Для красочного оформления вашего документа. Рассмотрим на примере текстового редактора Microsoft Word. Добавление рисунка.

Графическая информация

19 презентаций о графической информации
Урок

Информатика

130 тем
Картинки
900igr.net > Презентации по информатике > Графическая информация > Анализ информации, содержащейся в изображении