Progowanie - globalna metoda segmentacji
Transkrypt
Progowanie - globalna metoda segmentacji
Progowanie ft x y 1 0 f u v x y 1 0 fZ x y 1 0 f x y t ;t f x y t u f x y v f x y u f x y v z1 zk f x y Z ;Z f x y Z z1 zk Półprogowanie (semithresholding) ft x y MW-ZPCiR-ICT-PWr f x y 0 f x y t f x y t 1 Wybór progu Znane wypełnienie Θ t z1 H z dz Θ zk z1 H z dz Histogram bimodalny maksima lokalne histogramu H z od1. znaleźć dwa najwieksze ległe od siebie co najmniej o ∆ : zi z j ; 2. jeżeli płaskość (flatness) histogramu: H zk min H zi H z j jest mała (histogram jest istotnie bimodalny), to znaleźć próg jako minimum histogramu w przedziale zi z j : t : H t H z MW-ZPCiR-ICT-PWr dla zi z z j; 2 Progowanie optymalne kombinacja wypukła dwóch Niech histogram bimodalny bedzie unimodalnych rozkładów jasności punktów obiektu p z i tła q z : H z Θp z 1 Θ q z Θ - cześć pola obrazu zajmowana przez obiekt. p z N m s ; q z N n u ; m n rozkłady jasności odpowiednio dla obiektu (ciemniejszego) i tła (jaśniejszego). ε1 t ε2 t t ∞ q z dz ∞ t p z dz Łaczne prawdopodobieństwo błednej klasyfikacji: ε t Θε2 t MW-ZPCiR-ICT-PWr 1 Θ ε1 t 3 0 Θp z Θ e s 2π ! t m" 2 2s2 t m 2s2 ln Θ # ln s $ u t m 2 2 2 1 Θ q z ! t n" 2 1 Θ e 2u2 u 2π ln 1 Θ # ln u # s t n 2 2 MW-ZPCiR-ICT-PWr 2 uΘ 2s u ln s 1 Θ 2 2 Gdy wariancje p z i q z sa równe (s t t n 2u2 u) : m n s2 Θ ln 2 n m 1 Θ 4 Progowanie jako klasyfikacja w sensie Bayes-a Znaleźć podzbiór Z przedziału z1 zk taki, że punkty obrazu o jasnościach z tego podzbioru zaliczamy do obiektu. prawdopodobieństwo tego, że punkt należy do P o z - łaczne obiektu i ma jasność z; P b z - łaczne prawdopodobieństwo tego, że punkt należy do tła i ma jasność z; P o - prawdopodobieństwo a priori należenia punktu do obiektu (P o Θ ); P b - prawdopodobieństwo a priori należenia punktu do tła (P b % 1 Θ); P z & o - rozkład warunkowy jasności dla obiektu; P z & b - rozkład warunkowy jasności dla tła; P o z P o P z & o ; P b z P b P z & b MW-ZPCiR-ICT-PWr 5 P o & z - prawdopodobieństwo a posteriori należenia punktu o jasności z do obiektu; P b & z - prawdopodobieństwo a posteriori należenia punktu o jasności z do tła. Histogram H z - prawdopodobieństwo tego, że punkt ma jasność z. P o z H z P o & z ; P b z H z P b & z otrzymujemy: skad P o & z P o P z & o ; P b & z H z Z Z MW-ZPCiR-ICT-PWr P b P z & b H z ' z : P o & z P b & z )( ' z : P o P z & o P b P z & b )( 6 Korekcja nierównomierności oświetlenia f x y e x y g x y Obraz sceny testowej o stałej (znanej) funkcji odbicia: gc x y v fc x y e x y gc x y ve x y e x y 1 fc x y v Korekcja przy pobieraniu każdego obrazu: g x y MW-ZPCiR-ICT-PWr f x y e x y v f x y fc x y 7 Progowanie zmienne * gt x y +-, 1 gdy g x y t tzn . 0 gdy g x y t tzn . f x y t v fc x y f x y t v fc x y Stałe progowanie obrazu skorygowanego można zastapić zmiennym progowaniem obrazu oryginalnego: gt x y 1 gdy 0 gdy gdzie: t x y MW-ZPCiR-ICT-PWr f x y t x y f x y t x y t fc x y v 8 MW-ZPCiR-ICT-PWr obraz wzorzec próg 77 obraz po korekcji próg 116 próg 116 po korekcji 9 Korekcja oświetlenia bez wzorca upenv lmin lmax obraz górna obwiednia obraz po korekcji próg 197 MW-ZPCiR-ICT-PWr 10 Progowanie podwójne Założenie: jasny obiekt na ciemnym tle. Dwa progi: / / radykalny tr (punkty jaśniejsze na pewno należa do obiektu) liberalny tl (punkty należa do obiektu w sasiedztwie powyższych) z1 g x y MW-ZPCiR-ICT-PWr 1 0 t l t r zk 0 0 324 ξ ψ εSxy f ξ ψ 5 tr 768f x y tl 1 ξ ψ εSxy f ξ ψ 9 tr 11