Содержание
- 2. 25.12.2019 Университет Лобачевского Обработка изображений Источники данных
- 3. 25.12.2019 Университет Лобачевского Обработка изображений «Нормальное» разрешение
- 4. Электромагнитные волны радиоволны (начиная со сверхдлинных), терагерцевое излучение, инфракрасное излучение, видимый свет, ультрафиолетовое излучение, рентгеновское излучение
- 5. Фотоаппарат Фото меланом 25.12.2019 Университет Лобачевского Обработка изображений
- 6. Формирование изображения 25.12.2019 Университет Лобачевского Обработка изображений
- 7. Рентгенография 25.12.2019 Университет Лобачевского Обработка изображений Особенности: Низкая стоимость; Высокое разрешение; Небольшие дозы облучения. Рентге́новское излуче́ние
- 8. Магнито-резонансная томография 25.12.2019 Университет Лобачевского Обработка изображений Машина МРТ излучает радиочастотный (РЧ) импульс на резонансной частоте
- 9. Ядерная медицина 25.12.2019 Университет Лобачевского Обработка изображений Молекулярная медицина Ядерная медицина использует определенные свойства изотопов и
- 10. Ультразвук 25.12.2019 Университет Лобачевского Обработка изображений Высокочастотные звуковые волны, которые по-разному отражаются от ткани и образуют
- 11. Другие 25.12.2019 Университет Лобачевского Обработка изображений Диффузная оптическая томография Диффузная оптическая томография (англ.)русск. (ДОТ) — способ
- 12. 25.12.2019 Университет Лобачевского Обработка изображений Увеличение
- 13. Микроскопы 25.12.2019 Университет Лобачевского Обработка изображений Оптические микроскопы Человеческий глаз представляет собой естественную оптическую систему, характеризующуюся
- 14. 25.12.2019 Университет Лобачевского Обработка изображений Коллекции данных (включая материалы https://github.com/beamandrew/medical-data)
- 15. База данных «OmniMedicalSearh». 25.12.2019 Университет Лобачевского Обработка изображений Различные тематические источники данных: интерактивный анатомический атлас; разнообразные
- 16. Национальная медицинская библиотека MedPix 25.12.2019 Университет Лобачевского Обработка изображений The National Library of Medicine MedPix. База
- 17. База данных рентгенологических исследований MURA 25.12.2019 Университет Лобачевского Обработка изображений musculoskeletal radiographs. Набор данных скелетно-мышечных рентгенограмм,
- 18. Система обмена изображениями мозга при аутизме ABIDE 25.12.2019 Университет Лобачевского Обработка изображений (The Autism Brain Imaging
- 19. Инициатива по накоплению МРТ-изображений в болезни Альцгеймера 25.12.2019 Университет Лобачевского Обработка изображений (Alzheimer's Disease Neuroimaging Initiative
- 20. Цифровые изображения сетчатки глаза в экстракции сосудов 25.12.2019 Университет Лобачевского Обработка изображений (Digital Retinal Images for
- 21. Открытая библиотека серий изображений МРТ 25.12.2019 Университет Лобачевского Обработка изображений (The Open Access Series of Imaging
- 22. Консенсусные данные SCMR 25.12.2019 Университет Лобачевского Обработка изображений (SCMR Consensus Data). Набор данных 15 исследований сердечно-сосудистых
- 23. Консорциум базы данных изображений легких 25.12.2019 Университет Лобачевского Обработка изображений (Lung Image Database Consortium - LIDC)
- 24. Набор цифровых снимков грудной клетки 25.12.2019 Университет Лобачевского Обработка изображений (NIH Chest X-ray Dataset of 14
- 25. Коллекции TCIA 25.12.2019 Университет Лобачевского Обработка изображений (The Cancer Imaging Archive (TCIA) Collections). Содержит данные по
- 26. Белорусский туберкулезный портал 25.12.2019 Университет Лобачевского Обработка изображений (Belarus tuberculosis portal). Туберкулез является серьезной проблемой системы
- 27. Цифровая база данных скрининга маммографии 25.12.2019 Университет Лобачевского Обработка изображений (Digital Database for Screening Mammography –
- 28. База данных МРТ-изображений рака предстательной железы. 25.12.2019 Университет Лобачевского Обработка изображений Магнитно-резонансная томография (МРТ) обеспечивает методы
- 29. База данных «Сегментация в рентгенограммах грудной клетки» 25.12.2019 Университет Лобачевского Обработка изображений (Segmentation in Chest Radiographs
- 30. Публичные базы данных VIA Group 25.12.2019 Университет Лобачевского Обработка изображений (VIA Group Public Databases). Включает документированные
- 31. База данных изображений USC-SIPI 25.12.2019 Университет Лобачевского Обработка изображений (The USC-SIPI Image Database). Представляет собой набор
- 32. Визуальная концепция извлечения данных в радиологии 25.12.2019 Университет Лобачевского Обработка изображений (Visual Concept Extraction Challenge in
- 33. Изображения диабетической ретинопатии 25.12.2019 Университет Лобачевского Обработка изображений (diabetic retinopathy). База данных включает изображения сетчатки высокого
- 34. Скрининг рака шейки матки 25.12.2019 Университет Лобачевского Обработка изображений (Cervical Cancer Screening). Еще один источник данных
- 35. База данных сегментации мозговых опухолей 25.12.2019 Университет Лобачевского Обработка изображений (Multimodal Brain Tumor Segmentation Challenge). Включает
- 36. DDSM:Цифровая база данных для скрининговой маммографии 25.12.2019 Университет Лобачевского Обработка изображений База данных содержит около 2500
- 37. INbreast: Database for Digital Mammography 25.12.2019 Университет Лобачевского Обработка изображений INbreast включаеь 115 случаев (410 изображений).
- 38. mini-MIAS: MIAS MiniMammographic Database 25.12.2019 Университет Лобачевского Обработка изображений Общество анализа маммографических изображений (MIAS) . База
- 39. Предстательная железа 25.12.2019 Университет Лобачевского Обработка изображений По сообщениям, во всем мире рак простаты (CaP) является
- 40. Broad Bioimage Benchmark Collection 25.12.2019 Университет Лобачевского Обработка изображений Коллекция изображений микроскопии. Описаны различные биолологические применения.
- 41. 25.12.2019 Университет Лобачевского Обработка изображений Конкурсы
- 42. Данные конкурсов 25.12.2019 Университет Лобачевского Обработка изображений http://www.visceral.eu/ Visual Concept Extraction Challenge in Radiology http://www.grand-challenge.org/ Grand
- 43. 25.12.2019 Университет Лобачевского Обработка изображений Источники/литература
- 44. Источники/литература 25.12.2019 Университет Лобачевского Обработка изображений PMC Open Access Subset Полный текст Открытый доступ Information: http://www.ncbi.nlm.nih.gov/pmc/tools/openftlist/
- 45. Шумоподавление Светлана Носова svetlana.nosova@itmm.unn.ru
- 46. Рассматриваемые вопросы 25.12.2019 Университет Лобачевского Обработка изображений Цели удаления шума Формирование изображений Источники и типы шума
- 47. Цели удаления шума 25.12.2019 Университет Лобачевского Обработка изображений Улучшение визуального восприятия Специальные применения: Увеличение резкости изображений
- 48. 25.12.2019 Университет Лобачевского Обработка изображений Оценки качества алгоритмов шумоподавления
- 49. Метрики 25.12.2019 Университет Лобачевского Обработка изображений Среднеквадритичная ошибка Пиковое отношение сигнал/шум
- 50. Метрики 25.12.2019 Университет Лобачевского Обработка изображений Общий индекс качества искаженного изображения I,j – средняя интенсивносьть
- 51. SSIM 25.12.2019 Университет Лобачевского Обработка изображений Интенсивность Контрастность Структура
- 52. 25.12.2019 Университет Лобачевского Обработка изображений Источники и типы шумов
- 53. Источники шума 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Ошибки оборудования Плохие условия съемки
- 54. Шум считывания 25.12.2019 Университет Лобачевского Обработка изображений Каждый раз, когда вы считываете изображение с камеры, в
- 55. Дробовой шум 25.12.2019 Университет Лобачевского Обработка изображений Если съемка данных производится в течение секунды, может оказаться,
- 56. Темновой шум 25.12.2019 Университет Лобачевского Обработка изображений Закройте объектив камеры крышкой и сделайте несколько снимков с
- 57. Ошибка квантования 25.12.2019 Университет Лобачевского Обработка изображений Когда мы считываем напряжение с сенсора, это аналоговый сигнал.
- 58. Что влияет на величину шума 25.12.2019 Университет Лобачевского Обработка изображений Повышение светочувствительности элемента Повышение длины экспозиции
- 59. Классификация шума 25.12.2019 Университет Лобачевского Обработка изображений Случайный Колебания интенсивности выше и ниже реальных Сильно зависит
- 60. Некоторые особенности 25.12.2019 Университет Лобачевского Обработка изображений Чувствительность глаза к деталям цветовой информации (не к яркостной)
- 61. 25.12.2019 Университет Лобачевского Обработка изображений Моделирование шума
- 62. Моделирование шума 25.12.2019 Университет Лобачевского Обработка изображений
- 63. Метод Монте-Карло 25.12.2019 Университет Лобачевского Обработка изображений Положения «шумовых пикселей» искать при помози генератора псевдослучайных чисел
- 64. 25.12.2019 Университет Лобачевского Обработка изображений Модели шума
- 65. Типы шума 25.12.2019 Университет Лобачевского Обработка изображений Яркостной шум Отличие в оттенке цвета Хроматический шум Отличие
- 66. Шум типа «Соль перец» (импульсный) 25.12.2019 Университет Лобачевского Обработка изображений
- 67. Шум Гаусса 25.12.2019 Университет Лобачевского Обработка изображений ( в прикладных областях называется электронным шумом возникает в
- 68. Постоянный шум 25.12.2019 Университет Лобачевского Обработка изображений
- 69. Гамма-шум (Шум Эрланга) 25.12.2019 Университет Лобачевского Обработка изображений Возникает из-за несовершенства электронных схем и датчика
- 70. Экспоненциальный шум 25.12.2019 Университет Лобачевского Обработка изображений Гамма-шум при b=1
- 71. Шум Райли 25.12.2019 Университет Лобачевского Обработка изображений
- 72. Другие шумы 25.12.2019 Университет Лобачевского Обработка изображений Периодический шум Генерируется во время «захвата» изображения Параметры описываются
- 73. Оценка распределения 25.12.2019 Университет Лобачевского Обработка изображений Для каждого сенсора рассчитать свою функцию распределения, сделав снимок
- 74. 25.12.2019 Университет Лобачевского Обработка изображений Методы удаления шума
- 75. Гистограмма изображения 25.12.2019 Университет Лобачевского Обработка изображений Распределение интенсивностей. В «обычном» изображении [0..255] или [0..1] В
- 76. Виды применяемых фильтров 25.12.2019 Университет Лобачевского Обработка изображений Точечные? Локальные – ДА! Глобальные? Основное понятие –
- 77. Методы удаления шума 25.12.2019 Университет Лобачевского Обработка изображений Сглаживающие фильтры Фильтры Винера Медианные фильтры Билатериальный фильтр
- 78. Сглаживающие фильтры 25.12.2019 Университет Лобачевского Обработка изображений Арифметическое среднее Геометрическое среднее Меньше теряет деталей изображения Гармоническое
- 79. Адаптивная фильтрация 25.12.2019 Университет Лобачевского Обработка изображений В фильтрации не участвуют пиксели, значение которых слишком отличается
- 80. Метод Гаусса 25.12.2019 Университет Лобачевского Обработка изображений Сепарабелен Фильтр низких частот Подходит для удаления постояного и
- 81. Билатериальный фильтр (адапт) 25.12.2019 Университет Лобачевского Обработка изображений Не всегда лучший Часто очень хорош Важно и
- 82. Метод нелокальных средних 25.12.2019 Университет Лобачевского Обработка изображений Non-local means (NL-means) – веса зависят от близости
- 83. Упорядочивающие фильтры 25.12.2019 Университет Лобачевского Обработка изображений Медианный фильтр Удаление шума “соль-перец” Фильтр максимума Удаление “черного”
- 84. Упорядочивающие фильтры 25.12.2019 Университет Лобачевского Обработка изображений
- 85. Методы на основе вейвлет-преобразования. Фильтр Винера 25.12.2019 Университет Лобачевского Обработка изображений Алгоритмы на основе вейвлет-преобразования и
- 86. Метод главных компонент 25.12.2019 Университет Лобачевского Обработка изображений KLT –преобразование – на следующих лекциях. Основная идея
- 87. Нейронные сети 25.12.2019 Университет Лобачевского Обработка изображений По материалам https://habr.com/ru/company/oleg-bunin/blog/340184/
- 88. Нейронные сети 25.12.2019 Университет Лобачевского Обработка изображений Математическая модель мозга Биологическая структура – схема/архитектура сетей Электрические
- 89. Искусственный нейрон 25.12.2019 Университет Лобачевского Обработка изображений Нейрон должен как-то сформировать адекватный выходной сигнал. Именно для
- 90. 25.12.2019 Университет Лобачевского Обработка изображений Сети прямого распространения Сети обратного распространения -восстановление и дополнение сигнала свойства
- 91. Архитектуры нейронных сетей 25.12.2019 Университет Лобачевского Обработка изображений
- 92. Глубокие и неглубокие сети 25.12.2019 Университет Лобачевского Обработка изображений
- 93. Все растет 25.12.2019 Университет Лобачевского Обработка изображений Точность сетей растет Сложность сетей растет Объемы данных растут
- 94. Convolutional Neural Networks, CNN 25.12.2019 Университет Лобачевского Обработка изображений Сверточные сети Сверточные нейросети решают 3 основные
- 95. Обучение 25.12.2019 Университет Лобачевского Обработка изображений
- 96. Обучение 25.12.2019 Университет Лобачевского Обработка изображений f(x)=A(B(C(x))) A, B, и C — функции активации на различных
- 97. 25.12.2019 Университет Лобачевского Обработка изображений
- 98. Фильтрация 25.12.2019 Университет Лобачевского Обработка изображений H. Chen et al., "Low-dose CT denoising with convolutional neural
- 99. Теория цвета Светлана Носова svetlana.nosova@itmm.unn.ru
- 100. Восприятие цвета человеком 25.12.2019 Университет Лобачевского Обработка изображений A: роговая оболочка глаза B: хрусталик C: стекловидное
- 101. Источники света 25.12.2019 Университет Лобачевского Обработка изображений Чувствительность колбочек
- 102. Законы Германа Грассмана (аддитивной модели света) 25.12.2019 Университет Лобачевского Обработка изображений 1.Закон трехмерности: Любой цвет однозначно
- 103. RGB 25.12.2019 Университет Лобачевского Обработка изображений Основные принципы восприятия человеческим глазом. Отобразить цвет так, как видит
- 104. RGB треугольник Максвелла 25.12.2019 Университет Лобачевского Обработка изображений
- 105. Перевод из RGB обратно 25.12.2019 Университет Лобачевского Обработка изображений Не все видимые цвета представимы Или некоторые
- 106. RGBs 25.12.2019 Университет Лобачевского Обработка изображений
- 107. YIQ, YUV, YCbCr 25.12.2019 Университет Лобачевского Обработка изображений Стандарты аналогового цифрового телевидения Уменьшение полосы пропускания для
- 108. YIQ, YUV, YCbCr 25.12.2019 Университет Лобачевского Обработка изображений
- 109. YIQ 25.12.2019 Университет Лобачевского Обработка изображений
- 110. YCbCr 25.12.2019 Университет Лобачевского Обработка изображений Cb,Cr
- 111. YIQ, YUV, YCbCr 25.12.2019 Университет Лобачевского Обработка изображений
- 112. XYZ 25.12.2019 Университет Лобачевского Обработка изображений Основа аппаратнонезависимого преобразования моделей Координаты цветности CIE представляют точный стандарт
- 113. XYZ 25.12.2019 Университет Лобачевского Обработка изображений Преобразование RGB - CIE XYZ задается следующей формулой: где -
- 114. RGB - XYZ 25.12.2019 Университет Лобачевского Обработка изображений
- 115. Lab 25.12.2019 Университет Лобачевского Обработка изображений Точная установка цвета в печатной продукции L*a*b* – линеаризованная и
- 116. Lab 25.12.2019 Университет Лобачевского Обработка изображений , где Xn,Yn,Zn - координаты белого цвета
- 117. Lab 25.12.2019 Университет Лобачевского Обработка изображений
- 118. HSV 25.12.2019 Университет Лобачевского Обработка изображений
- 119. HSB (HSL, HSV) 25.12.2019 Университет Лобачевского Обработка изображений «Интуитивный» выбор цветов дизайнерами и художниками
- 120. HIS\HSV: Hue –Saturation –Intensity (Volume) 25.12.2019 Университет Лобачевского Обработка изображений
- 121. HLS: Hue–Lightness–Saturation 25.12.2019 Университет Лобачевского Обработка изображений
- 122. HLS 25.12.2019 Университет Лобачевского Обработка изображений Original and (e) hue component; (f) intensity component; (g) saturation
- 123. Гамма коррекция. Глубина цвета 25.12.2019 Университет Лобачевского Обработка изображений Gamma-коррекция интенсивности и цвета: Y ~ UGamma
- 124. Палитры 25.12.2019 Университет Лобачевского Обработка изображений 6 примеров представления палитр (look-up tables, LUTs): (a) monochrome(grey-scale); (b)
- 125. Перенос цветовой палитры 25.12.2019 Университет Лобачевского Обработка изображений
- 126. 25.12.2019 Университет Лобачевского Обработка изображений Задачи: Коррекция (подбор) цвета Color matching by shifting hue values: (a)
- 127. Система управления цветом 25.12.2019 Университет Лобачевского Обработка изображений Профиль монитора – колориметр (спектрофотометр), снимающий образцы цветов
- 128. Преобразование цветовых пространств. Глубина цвета Светлана Носова svetlana.nosova@itmm.unn.ru
- 129. Глубина цвета 25.12.2019 Университет Лобачевского Обработка изображений Черно-белое изображение (монохромное) – 1 bit/pix Полутоновое (256 оттенков
- 130. Палитры 25.12.2019 Университет Лобачевского Обработка изображений 6 примеров представления палитр (look-up tables, LUTs): (a) monochrome(grey-scale); (b)
- 131. 25.12.2019 Университет Лобачевского Обработка изображений Перевод в оттенки серого
- 132. Классы фильтров 25.12.2019 Университет Лобачевского Обработка изображений Точечный Локальный Глобальный
- 133. RGB-Gray 25.12.2019 Университет Лобачевского Обработка изображений Точечный фильтр R=G=B=I, [0..255] average (R + G + B)
- 134. Gray - RGB 25.12.2019 Университет Лобачевского Обработка изображений Zhang, Isola, Efros. Colorful Image Colorization. In ECCV,
- 135. Gray - RGB 25.12.2019 Университет Лобачевского Обработка изображений
- 136. 25.12.2019 Университет Лобачевского Обработка изображений Бинаризация
- 137. Бинарные изображения 25.12.2019 Университет Лобачевского Обработка изображений Два возможных значений интенсивности (черный и белый). Часто: выбирается
- 138. Обработка бинарных изображений 25.12.2019 Университет Лобачевского Обработка изображений Подавление шума Run Length Coding Разметка связных компонент
- 139. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 140. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 141. Бинаризация 25.12.2019 Университет Лобачевского Обработка изображений 604x527 pixels
- 142. Предобработка 25.12.2019 Университет Лобачевского Обработка изображений Первый шаг – удалить шум/сгладить гистограмму
- 143. Пороговая фильтрация 25.12.2019 Университет Лобачевского Обработка изображений Выбрать порог T из диапазона [0,255]. Если I(x,y) >
- 144. Выбор порога «вручную» 25.12.2019 Университет Лобачевского Обработка изображений T = 0.25 T = 0.5 T =
- 145. Анализ симметричного пика гистограммы 25.12.2019 Университет Лобачевского Обработка изображений Вычислить гистограмму. Найти (hmax, imax). На противоположной
- 146. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 147. Метод треугольника 25.12.2019 Университет Лобачевского Обработка изображений Вычислить сглаженную гистограмму. Найти (hmax, imax). На левой стороне
- 148. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 149. Метод Отсу 25.12.2019 Университет Лобачевского Обработка изображений Метод Оцу находит порог, который уменьшает дисперсию в классе,
- 150. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 151. Адаптивная фильтрация 25.12.2019 Университет Лобачевского Обработка изображений Для каждого пикслея I(x,y): Вычислить порог T, используя интенсивность
- 152. Пример 25.12.2019 Университет Лобачевского Обработка изображений
- 153. Пример 25.12.2019 Университет Лобачевского Обработка изображений R=7, C=0 R=7, C=7 R=75, C=10
- 154. Пример 25.12.2019 Университет Лобачевского Обработка изображений Mean Median (Imax+Imin)/2
- 155. Lecture 3. Basic Binary Images Analysis Svetlana Nosova svetlana.nosova@itmm.unn.ru
- 156. What is a binary image? 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Binary images
- 157. Binary image analysis task 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Noise suppression Run-length
- 158. Pixel Neighborhoods 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course four-neighborhood N4 eight-neighborhood N8
- 159. Basic morphological operations Erosion, Dilation, Opening, Closing 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 160. Erosion Example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Change a foreground pixel to
- 161. Dilation Example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Change a background pixel to
- 162. Structuring element 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course A structuring element is simply
- 163. Binary Images as Sets 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course We can think
- 164. Set Operations = Point Operations 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Complement =
- 165. More Image Operations 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Use I to denote
- 166. Dilation 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course A dilation of an image I
- 167. Dilation 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 168. Dilation Algorithm 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Uses equivalent formula Input: Image
- 169. Erosion 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course A erosion of an image I
- 170. Erosion 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course A(-)B A AC B BС
- 171. Duality of Erosion and Dilation 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Erosion can
- 172. Erosion Algorithm 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Uses dual Input: Image I,
- 173. Properties of Dilation 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Commutativity: Means we can
- 174. Properties of Erosion 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course It is NOT commutative:
- 175. Some Particular Dilation Operators 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Identity: id =
- 176. Opening 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Stray foreground structures that are smaller
- 177. Closing 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Holes in the foreground that are
- 178. Noise removing 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 179. Binary noise Original image Salt and pepper noise 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction
- 180. Erosion results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: black noise mask mask
- 181. Erosion results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: black noise mask mask
- 182. Dilation results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: white noise mask mask
- 183. Dilation results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: white noise mask mask
- 184. Problems 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course You see that foreground size is
- 185. Closing results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: black noise Dilation Closing
- 186. Opening results 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original: white noise Erosion Opening
- 187. Other examples: opening 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 188. Other examples: closing 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 189. Salt and pepper noise 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course We can’t delete
- 190. Boundary extraction 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 191. Boundary extraction 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Internal border External border
- 192. Boundary extraction 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Original Internal border External border
- 193. Other morphological operations 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course For color images too.
- 194. Thinning and Sceletons 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 195. Thinning 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course thinning A symmetrically is based on
- 196. Thinning 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 197. Median filter 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 198. Median filter 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course In median filtering, the neighboring
- 199. Median Filter: example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course mask
- 200. Median filter: example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Source Result mask mask
- 201. Connected-component labeling 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 202. Region growing (for N4 case) 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course N4 N8
- 203. Connected-component labeling: example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course N4
- 204. Connected-component labeling: example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course N8
- 205. Object parameters 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 206. Object parameters 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Border characteristics Number of "holes"
- 207. Area 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course For binary image Result = 7
- 208. The center of mass 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Result
- 209. Perimeter 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Border pixel count You can use
- 210. Compactness 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course The most compact shape is a
- 211. Moments 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course Discrete moments Central moments Hu moments
- 212. Moments: basic example 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 213. Area 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course For binary image Result = 7
- 214. Principal axes orientation 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course The center of mass
- 215. Invariant area characteristics 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course
- 216. Sceletons 25.12.2019 Nizhniy Novgorod State University Computer Graphics Introduction Course The sceleton A can be expressed
- 217. Выделение границ Светлана Носова svetlana.nosova@itmm.unn.ru
- 218. Выделение границ 25.12.2019 Университет Лобачевского Обработка изображений Выделение границ – процесс поиска значимых переходов на изображении.
- 219. Выделение границ 25.12.2019 Университет Лобачевского Обработка изображений Резкие перепады яркостей: Границы объекта: Светлый объект располагается на
- 220. Выделение границ 25.12.2019 Университет Лобачевского Обработка изображений Основная идея: искать места с сильным признаки перепаада функции
- 221. Модели границ 25.12.2019 Университет Лобачевского Обработка изображений
- 222. 1D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 223. 1D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 224. Замечания 25.12.2019 Университет Лобачевского Обработка изображений Особенности масок для производных: Весовые коэффициенты имеют противоположные знаки, чтобы
- 225. Границы и шум 25.12.2019 Университет Лобачевского Обработка изображений
- 226. Шум, выделение границ и сглаживание 25.12.2019 Университет Лобачевского Обработка изображений
- 227. Шум, выделение границ пи сглаживание 25.12.2019 Университет Лобачевского Обработка изображений
- 228. Шум, выделение границ и сглаживание 25.12.2019 Университет Лобачевского Обработка изображений
- 229. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений Контрастность для 2D функции изображения может рассматриваться в различных
- 230. Характеристика градиента 25.12.2019 Университет Лобачевского Обработка изображений Норма градиента: Направление градиента:
- 231. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 232. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений Rafati M, Arabfard M, Rafati-Rahimzadeh M. Comparison of different
- 233. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 234. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений Ultrasound IMT of Left Common Carotid ArteryA) Original image,
- 235. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений Ultrasound IMT of Left Brachial ArteryA) Original image, B)
- 236. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений Лапласиан в «чистом виде»: «-» чувствителен к шуму, «-»
- 237. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 238. 2D операторы 25.12.2019 Университет Лобачевского Обработка изображений
- 239. Выделение границ: 3 основных шага 25.12.2019 Университет Лобачевского Обработка изображений 1. Сглаживание изображения. Шумоодавление. 2. Обнаружение
- 240. Детектор границ Кэнни( Canny) 25.12.2019 Университет Лобачевского Обработка изображений Характеристика границы по Кэнни: 1. Низкий уровень
- 241. Детектор границ 25.12.2019 Университет Лобачевского Обработка изображений Удалить шум на изображении при помощи фильтра Гаусса. Вычислить
- 242. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений
- 243. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений Kearney V, Huang Y, Mao W, Yuan B,
- 244. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений The static image (A). The magnitude of the
- 245. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений http://bigwww.epfl.ch/demo/ip/demos/edgeDetector/
- 246. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений A. Original X-Ray Image, B. X-Ray Image with
- 247. Детектор границ Кэнни 25.12.2019 Университет Лобачевского Обработка изображений
- 248. Преобразование Хафа. Голосование 25.12.2019 Университет Лобачевского Обработка изображений Проблема «неточных форм», разрывных (недетектированных) участков границ и
- 249. Преобразование Хафа 25.12.2019 Университет Лобачевского Обработка изображений
- 250. 25.12.2019 Университет Лобачевского Обработка изображений Точка в пространстве изображения соответсвует линии (набору параметров) в пространстве Хафа.
- 251. Преобразование Хафа: линии 25.12.2019 Университет Лобачевского Обработка изображений
- 252. Преобразование Хафа: линии 25.12.2019 Университет Лобачевского Обработка изображений
- 253. Пребразование Хафа: отрезок 25.12.2019 Университет Лобачевского Обработка изображений
- 254. Пребразование Хафа: отрезок 25.12.2019 Университет Лобачевского Обработка изображений
- 255. 25.12.2019 Университет Лобачевского Обработка изображений
- 256. Преобразование Хафа: окружности 25.12.2019 Университет Лобачевского Обработка изображений
- 257. Преобразование Хафа 25.12.2019 Университет Лобачевского Обработка изображений
- 258. Преобразование Хафа 25.12.2019 Университет Лобачевского Обработка изображений https://www.researchgate.net/publication/316202410_Application_of_Biomedical_Image_Processing_in_Blood_Cell_Counting_Using_Hough_Transform
- 259. Преобразование Хафа 25.12.2019 Университет Лобачевского Обработка изображений http://www1.mat.uniroma1.it/ricerca/seminari/mdn/PRESENTAZIONI/Campi18.pdf
- 260. Преобразование Хафа 25.12.2019 Университет Лобачевского Обработка изображений
- 261. Подгонка моделей. Метод наименьших квадратов 25.12.2019 Университет Лобачевского Обработка изображений Для линии Параметры для оптимальной линии
- 262. RANSAC 25.12.2019 Университет Лобачевского Обработка изображений
- 263. Примеры 25.12.2019 Университет Лобачевского Обработка изображений https://books.google.ru/books?id=F6FPDAAAQBAJ&pg=PA34&lpg=PA34&dq=edge+fitting+RANSAC+in+biomedical+application&source=bl&ots=xkOZ5XekG6&sig=ACfU3U3jZVBU26_igyIIszc3oznEiK-ceQ&hl=ru&sa=X&ved=2ahUKEwjt2fyEsf3kAhUqxosKHTVVD08Q6AEwAXoECAkQAQ#v=onepage&q=edge%20fitting%20RANSAC%20in%20biomedical%20application&f=false
- 264. Примеры 25.12.2019 Университет Лобачевского Обработка изображений
- 265. Трэкинг границы 25.12.2019 Университет Лобачевского Обработка изображений Трэкинг на основе маски. Возможны следующие случаи: начало нового
- 266. Алгоритм паучка ☺ 25.12.2019 Университет Лобачевского Обработка изображений
- 267. Сегментация на основе model fitting 25.12.2019 Университет Лобачевского Обработка изображений Examples slices for the atlas-based segmentation
- 268. Вейвлет-преобразование Светлана Носова svetlana.nosova@itmm.unn.ru
- 269. 25.12.2019 Университет Лобачевского Обработка изображений
- 270. Вейвлет-преобразование и многомасштабный анализ 25.12.2019 Университет Лобачевского Обработка изображений Задача: найти такое представление данных, в которое
- 271. Вейвлет-преобразование для изображений 25.12.2019 Университет Лобачевского Обработка изображений Создаем пирамиду изображений На каждом уровне храним разницу
- 272. 25.12.2019 Университет Лобачевского Обработка изображений
- 273. Преобразование Фурье 25.12.2019 Университет Лобачевского Обработка изображений Исторически: первым для анализа амплитудно-частотной составляющей использовалось преобразование Фурье
- 274. 25.12.2019 Университет Лобачевского Обработка изображений
- 275. 25.12.2019 Университет Лобачевского Обработка изображений
- 276. 25.12.2019 Университет Лобачевского Обработка изображений
- 277. Непрерывное вейвлет-перобразование 25.12.2019 Университет Лобачевского Обработка изображений Вейвлет-функция: Множество частотно-временных базисных элементов получается путем масштабирования базисной
- 278. Вейвлет-преобразование 25.12.2019 Университет Лобачевского Обработка изображений Непрерывное вейвлет-преобразование раскладывает сигнал в сумму базовых вейвлет-функций, полученных путем
- 279. Низкочастотное приближение 25.12.2019 Университет Лобачевского Обработка изображений Для многомасштабного анализа: низкочастотное приближение сигнала fв масштабе s
- 280. Вейвлет-преобразование 25.12.2019 Университет Лобачевского Обработка изображений Может быть построено ортогональное вейвлет-преобразование. Кратность 2 – удобно. s,k
- 281. Дискретное вейвлет - преобразование 25.12.2019 Университет Лобачевского Обработка изображений Дискретное вейвлет-преобразование для одномерного сигнала f=[f1, f2,
- 282. Построение ядер фильтрации 25.12.2019 Университет Лобачевского Обработка изображений H – низкочастотный фильтр G – высокочастотный фильтр
- 283. Восстановление сигнала 25.12.2019 Университет Лобачевского Обработка изображений
- 284. Вейвлеты Хаара 25.12.2019 Университет Лобачевского Обработка изображений
- 285. 25.12.2019 Университет Лобачевского Обработка изображений
- 286. 25.12.2019 Университет Лобачевского Обработка изображений
- 287. Вейвлет-преобразование 25.12.2019 Университет Лобачевского Обработка изображений Общий объем данных после дискретного вейвлет-разложения имеет ту же длину,
- 288. Вейвлет - преобразование 25.12.2019 Университет Лобачевского Обработка изображений
- 289. В обработке изображений 25.12.2019 Университет Лобачевского Обработка изображений Биомедицинские изображения : размерность больше 2 Вейвлет-преобразование сепарабельно
- 290. Удаление шума 25.12.2019 Университет Лобачевского Обработка изображений T1,T2,T3 – пороговая фильтрация
- 291. Способы пороговой фильтрации 25.12.2019 Университет Лобачевского Обработка изображений
- 292. Image enhancement 25.12.2019 Университет Лобачевского Обработка изображений Критерии: Низкочастотная составляющая должна быть размыта сильнее. Реальные границы
- 293. Example of enhancement functions 25.12.2019 Университет Лобачевского Обработка изображений
- 294. Шум и увеличение контрастности 25.12.2019 Университет Лобачевского Обработка изображений Вейвлет-коэффициенты малой величины скорее всего связаны с
- 295. Выбор порога фильтрации 25.12.2019 Университет Лобачевского Обработка изображений Глобальный порог, T=const Зависимость от уровня. Для каждого
- 296. Примеры порогов 25.12.2019 Университет Лобачевского Обработка изображений n – масштаб Не учитывает сами данные, учитывает только
- 297. 25.12.2019 Университет Лобачевского Обработка изображений
- 298. 25.12.2019 Университет Лобачевского Обработка изображений
- 299. 25.12.2019 Университет Лобачевского Обработка изображений
- 300. Примеры 25.12.2019 Университет Лобачевского Обработка изображений
- 301. 25.12.2019 Университет Лобачевского Обработка изображений
- 302. 25.12.2019 Университет Лобачевского Обработка изображений
- 303. 25.12.2019 Университет Лобачевского Обработка изображений
- 304. Rescaling Светлана Носова svetlana.nosova@itmm.unn.ru
- 305. Size reduction for email sending, publishing on the Internet Increasing of an image resolution or a
- 306. Resampling type Upsampling Get a new information from old image Increasing image resolution Downsampling Decreasing image
- 307. The problem Can we get same image after applying of such steps: Downsampling Upsampling ?
- 308. Quiz How does downsampling algorithm work? What do you think?
- 309. How is it work? We will talk only about separable methods (in our 2D case). It’s
- 310. Upsampling We want to add some new pixels to our image I(n,m). We have 3 thesis
- 311. We can’t get new data (information) after applying of an interpolation algorithm. The best thing that
- 312. Linear interpolation methods Linear interpolation methods
- 313. Nearest Neighbor method Advantages: Very fast algorithm Drawbacks: Upsampling – blockiness of a resulting image. Downsampling
- 314. Nearest Neighbor method Nearest Neighbor method
- 315. Linear interpolation Bilinear Interpolation
- 316. Linear interpolation Bilinear Interpolation
- 317. Bilinear Interpolation The rule of new pixel calculating: Bilinear Interpolation
- 318. Cubic interpolation Bicubic Spline interpolation
- 319. Cubic interpolation In this case you need 4 points in 1D case ( and 16 in
- 320. Bicubic spline interpolation Bicubic Spline interpolation
- 321. Bicubic spline interpolation Bicubic Spline interpolation
- 322. Bicubic spline interpolation Bicubic Spline interpolation
- 323. Bicubic Spline interpolation Drawbacks: 10 times slower than the nearest neighbor interpolation. 7 times slower than
- 324. Интерполяция методом ближайшего соседа Examples
- 325. Билинейная интерполяция Examples
- 326. Бикубическая сплайн-интерполяция Examples
- 327. Examples а) б) в) г) д) Рис. Пример 2D искажений, вносимых фильтрацией в границу между зоной
- 328. Nonlinear interpolation methods Нелинейная интерполяция
- 329. Lanczos filters 4X4, 6X6 and 8X8 Separable filter!!! Lanczos filters 4X4, 6X6 and 8X8
- 330. Lanczos 4X4, 6X6 and 8X8 Lanczos filters 4X4, 6X6 and 8X8
- 331. Детекторы и дескрипторы Светлана Носова svetlana.nosova@itmm.unn.ru
- 332. Обзор 25.12.2019 Университет Лобачевского Обработка изображений Инварианты локализация особенных точек: детектор Hessian детектор Harris Инвариантность к
- 333. Введение 25.12.2019 Университет Лобачевского Обработка изображений Анализируем локальные особенности Применяется: Обнаружение (детектирование) объекта Нахождение соответствий на
- 334. Требования к дескрипторам 25.12.2019 Университет Лобачевского Обработка изображений Необходимо: обнаружить одинаковые точки (независимо друг от друга)
- 335. Особые точки 25.12.2019 Университет Лобачевского Обработка изображений В 1992 Haralick и Shapir [10] выделили следующие требования
- 336. Особые точки 25.12.2019 Университет Лобачевского Обработка изображений Tuytelaars и Mikolajczyk (2006) выделили следующие свойства, которыми должны
- 337. Список детекторов 25.12.2019 Университет Лобачевского Обработка изображений Смотри изменение функции градиента в двух направлениях!!!! Moravec detector
- 338. Последовательность действий 25.12.2019 Университет Лобачевского Обработка изображений Найти особенные точки на изображении. Рассмотреть область вокруг каждой
- 339. Moravec detector 25.12.2019 Университет Лобачевского Обработка изображений Для каждого пикселя (x,y) в изображении вычислить изменение интенсивности
- 340. Hessian corner detector 25.12.2019 Университет Лобачевского Обработка изображений Поиск мест на изображении, которые имеют сильное изменение
- 341. Harris detector 25.12.2019 Университет Лобачевского Обработка изображений Выделение «истинных» углов и сильно-текстурированных областей.
- 342. Harris Corner 25.12.2019 Университет Лобачевского Обработка изображений Локализация мест, имеющих изменение информации в двух основных направлениях.
- 343. 25.12.2019 Университет Лобачевского Обработка изображений Угол характеризуется большими изменениями функции E(x,y) по всем возможным направлениям (x,y),
- 344. 25.12.2019 Университет Лобачевского Обработка изображений
- 345. 25.12.2019 Университет Лобачевского Обработка изображений значение R положительно для угловых особых точек. отсечение точек по найденному
- 346. 25.12.2019 Университет Лобачевского Обработка изображений
- 347. 25.12.2019 Университет Лобачевского Обработка изображений
- 348. Harris detector 25.12.2019 Университет Лобачевского Обработка изображений Точные углы
- 349. Laplacian of Gaussian (LOG) 25.12.2019 Университет Лобачевского Обработка изображений Многомасштабность. Вмето пересечения с 0 ( для
- 350. 25.12.2019 Университет Лобачевского Обработка изображений
- 351. Difference of Gaussian (DOG) Detector 25.12.2019 Университет Лобачевского Обработка изображений Приближение LoG - DoG (ускорение вычислений)
- 352. 25.12.2019 Университет Лобачевского Обработка изображений
- 353. 25.12.2019 Университет Лобачевского Обработка изображений
- 354. 25.12.2019 Университет Лобачевского Обработка изображений
- 355. 25.12.2019 Университет Лобачевского Обработка изображений Как найти соответствие между особенными точками?
- 356. List of local feature descriptors 25.12.2019 Университет Лобачевского Обработка изображений Scale Invariant Feature Transform (SIFT) Speed-Up
- 357. Scale Invariant Feature Transform (SIFT) 25.12.2019 Университет Лобачевского Обработка изображений Step 1: Scale-space extrema Detection –
- 358. Step 1: Scale-space extrema Detection – детектировать особенные точки с использование DoG. 25.12.2019 Университет Лобачевского Обработка
- 359. Step 2: Keypoint Localization – Определите местоположение и масштаб в каждой особенной точке. 25.12.2019 Университет Лобачевского
- 360. 25.12.2019 Университет Лобачевского Обработка изображений DoG дает слишком много граничных точек Решение: -для границ одно собственное
- 361. Step 3: Orientation Estimation – Рассчитать локальные градиенты изображения для присвоения ориентации каждой локализованной ключевой точке
- 362. 25.12.2019 Университет Лобачевского Обработка изображений Вычислить взвешенную (магнитуда, коэффициенты ядра гаусса) гистограмму направлений локального градиента, рассчитанных
- 363. Step 4: Keypoint Descriptor - Извлечь локальные градиенты изображения в выбранном масштабе вокруг ключевой точки и
- 364. 25.12.2019 Университет Лобачевского Обработка изображений Вычислить гистограмму ( 8 бинов) для каждого субрегиона, взвешенного по величине
- 365. 25.12.2019 Университет Лобачевского Обработка изображений
- 366. 25.12.2019 Университет Лобачевского Обработка изображений
- 367. 25.12.2019 Университет Лобачевского Обработка изображений
- 368. Gradient Location Orientation Histogram (GLOH) 25.12.2019 Университет Лобачевского Обработка изображений Первые 3 шага – аналогичны SIFT
- 369. 25.12.2019 Университет Лобачевского Обработка изображений
- 370. 25.12.2019 Университет Лобачевского Обработка изображений
- 371. 25.12.2019 Университет Лобачевского Обработка изображений Other Feature descriptors : - LBP, LTP and variants, HAAR; -
- 372. Сегментация изображений По материалам презентации коллектива авторов: Владимир Вежневец, Антон Конушин Александр Вежневец Курс – «Введение
- 373. Что такое сегментация? Анализ низкого уровня: разбиение на области «похожих» между собой пикселей Анализ высокого уровня:
- 374. Автоматика и интерактивность Подразделяем Автоматическая сегментация Сегментация производимая без взаимодействия с пользователем Картинка на входе, регионы
- 375. Применение сегментации Измерение параметров объектов
- 376. Применение сегментации Предобработка перед высокоуровневым анализом
- 377. Определение сегментации 1 «Жесткая» сегментация Разбиение изображения на неперекрывающиеся области, покрывающие все изображение и однородные по
- 378. Рассмотрим семейства методов: Основанные на поиске краев Основанные на формировании однородных областей Метод водораздела / tobogganing
- 379. Автоматическая сегментация Как можно сформировать однородные области? Отталкиваясь от неоднородности на границах Пример – ищем резкие
- 380. Однородность Варианты однородности: По яркости По цвету По близости на изображении По текстуре По глубине (Если
- 381. Сегментация через поиск неоднородностей Наиболее простой и чаще всего используемый вариант: Поиск неоднородностей яркости через выделение
- 382. Алгоритм Найдём все контура на изображении алгоритмом Canny; Найдем все замкнутые контура; «Внутренности» замкнутых контуров являются
- 383. Сегментация через поиск однородных областей План Сегментация без учета пространственных связей Пороговая фильтрация Кластеризация по цвету
- 384. Пороговая фильтрация Разделение пикселей на n классов по их яркости Чаще всего используется 2 класса (бинаризация)
- 385. Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной яркости) полностью игнорируется Это
- 386. Гистограммы Свойства: Рассчитываются глобально для всего изображения Пространственная информация (расположение пикселей различной яркости) полностью игнорируется Однако
- 387. Пороговая фильтрация Яркий объект на темном фоне Выбрать величину T разделяющую яркость объекта и фона Каждый
- 388. Как определить величину T? В каждом конкретном случае хотим уметь рассчитать правильный порог Вариант решения –
- 389. Автоопределение величины T Можно использовать следующее: 1. Предположение о яркости объектов 2. Размеры объектов 3. Площадь
- 390. Автоопределение величины T Метод P-tile: Если знаем (предполагаем) что объект занимает P% площади T устанавливаем так,
- 391. Поиск пиков в гистограмме Найти соседние локальные максимумы в гистограмме gi Рассчитать меру «пиковости» для gi
- 392. Мера «пиковости»
- 393. Зашумленность гистограмм 93 пика Это проблема – много «лишних» локальных максимумов
- 394. Сглаживание гистограмм Сглажено 1 раз 54 пика «Пиковость» проходят 18 2 раза 21 пика «Пиковость» проходят
- 395. Области найденные по пикам
- 396. Адаптивный порог Проблема: Яркость фона может быть разной в разных частях изображения Единый порог не подойдет
- 397. Адаптивный порог Для каждого пикселя изображения I(x, y): В окрестности пикселя радиуса r высчитывается индивидуальная для
- 398. Адаптивный порог Другая формулировка Приближение фона усреднением Вычитание фона - I(x, y) – C(x,y) > T
- 399. Адаптивный порог Хорошо работает Когда размер искомого объекта заметно меньше размера оцениваемой окрестности Хуже работает, Когда
- 400. Метод Оцу (Otsu, Википедия) В области компьютерного распознавания образов и обработки изображения, Метод Оцу используется для
- 401. Метод Оцу. Пример применения (Википедия) An example image thresholded using Otsu's algorithm Original image
- 402. Кластеризация k-средних Способ определения нескольких порогов одновременно Нужно заранее знать k - количество диапазонов яркостей Можно
- 403. Алгоритм k-средних Случайным образом выбрать k средних mj j=1,…,k; Для каждого vi i=1,…,p подсчитать расстояние до
- 404. k-средних для сегментации Если изображение одноканальное vi = I(x, y) – работаем в одномерном пространстве Получается
- 405. Общие недостатки описанного Игнорируется пространственное расположение пикселей За исключением адаптивного порога, но и там соседство не
- 406. Понятие связности Определение связной области: Множество пикселей, у каждого пикселя которого есть хотя бы один сосед,
- 407. Разметка связных областей 1 1 2 2 2 1 1 2 2 2 3 4 4
- 408. Разрастание регионов (Region growing) Простая идея – начиная с некоторого “семени” обходить пиксели и объединять в
- 409. Что необходимо определить Критерий однородности Гистограмма содержит не больше 1 значительного пика Отклонение любого пикселя от
- 410. Пример δ = 1 Алгоритм разрастания регионов Среднее: 1 Среднее: 1.125
- 411. Алгоритм разрастания регионов Пример δ = 1
- 412. Разрастание регионов if |I(A) – Clavg(B)| > δ and |I(A) – Clavg(C)| > δ - создаем
- 413. Разделение областей Первый шаг – всё изображение это одна область, поместить область в стек Пока стек
- 414. Что необходимо определить 2 Правило разделения областей Распространенный вариант – на 4 части, как квадродерево Просто
- 415. Пример Алгоритм разбиения (split)
- 416. Первое разбиение Алгоритм разбиения (split)
- 417. Второе разбиение Алгоритм разбиения (split)
- 418. Третье разбиение Алгоритм разбиения (split)
- 419. Что необходимо определить 3 Правило разделения областей – более умно Найти в гистограмме пики, разделить гистограмму
- 420. Слияние областей Первый шаг – каждый пиксель это отдельная область, поместить все области в стек Пока
- 421. Алгоритм «фагоцита» Истаивание границ Убирает слабые границы «Слабость границ» определяется по разности яркостей граничных пикселей S1
- 422. Алгоритм «фагоцита» S1 S2
- 423. Алгоритм «фагоцита» Слить две области если: где P1 и P2 – периметры областей S1 and S2
- 424. Алгоритмы разбиения и слияния Недостатки: Разбиение Может дать слишком много регионов Если использовать квадродерево, границы скорее
- 425. Алгоритм разбиения/слияния (split and merge) Идея: Сначала провести разбиение на небольшие однородные области Обычно используется принцип
- 426. Слияние Алгоритм разбиения/слияния (split and merge)
- 427. Результат Алгоритм разбиения/слияния (split and merge)
- 428. Результат Сравним с разрастанием регионов
- 429. Сравним подходы Сегментация на основе областей В результате всегда замкнутые границы областей Использование многоканальных изображений (RGB,
- 430. Алгоритм водораздела (watershed) Идея метода: Большие значения градиента соответствуют резким переходам на изображении Рассмотрим абсолютную величину
- 431. Алгоритм водораздела Область водораздела, бассейн (catchment basin): область в которой поток из всех точки «стекает» к
- 432. Алгоритм водораздела Алгоритм, как и разбиение дает множество небольших регионов Очень чувствителен к шуму – ищет
- 433. Алгоритм «погружения» Алгоритм «погружения» (immersion) : Начнем с самых «глубоких» (темных) пикселей (они определят начальные бассейны)
- 434. Алгоритм tobogganing Идея: Из каждого пикселя «спускаемся» в локальный минимум среди его соседей Спускаемся до тех
- 435. Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63 68 106 137 164
- 436. Алгоритм tobogganing 58 46 50 64 80 88 99 108 80 63 68 106 137 164
- 437. Tobogganing и водораздел В зависимости от задачи можно анализировать само изображение абсолютную величину его градиента distance
- 438. Методы теории графов
- 439. Методы теории графов Теория графов – хороший инструмент для работы с изображениями Хорошая теоретическая база Много
- 440. Граф и изображение Изображение превращается во взвешенный неориентированный граф Пиксели – вершины графа Ребра – связи
- 441. Критерии «похожести» пикселей По расстоянию По яркости По цвету По текстуре
- 442. Создать граф Разрезать граф Каждую связную компоненту после разреза рассматривать как отдельную область Сегментация с помощью
- 443. Разрез графа Разрез графа превращает граф в два несвязанных друг с другом подграфа
- 444. Разрез графа G=(V,E) Непересекающиеся подмножества вершин A и B из V Удаляем все ребра, связывающие A
- 445. Разрез графа Если множества A и B не заданы заранее – разрезать граф можно по-разному: Минимальный
- 446. Минимальный разрез хорош не всегда На данном рисунке вес ребер графа показан расстоянием между вершинами
- 447. Нормализованный разрез графа (Normalized cut) Другая мера разреза – измеряет «похожесть» двух групп вершин, нормированную на
- 448. Минимальный нормализованный разрез Минимальный нормализованный разрез – разрез, превращающий граф в несвязный, с минимальной величиной NCut
- 449. New 2-step algorithm (GC-2011, local)
- 450. Morphological amoebas Gabor filtering (ru, en)
- 451. Подытожим: Рассмотрели следующие методы Использующие края Edge-based Пороговой фильтрации Thresholding k-средних k-means Разрастания регионов Region growing
- 452. Анализ областей после сегментации Владимир Вежневец, Антон Конушин Александр Вежневец Курс – «Введение в компьютерное зрение»
- 453. Какие параметры формы областей помогут различить объекты на этом примере?
- 454. Свойства области Характеристики границы области См. предыдущую лекцию Площадь Кол-во «дырок» внутри Центр масс Периметр Компактность
- 455. Площадь Кол-во пикселей в области
- 456. Центр масс Центр масс:
- 457. Периметр и компактность Периметр - количество пикселей принадлежащих границе области Компактность Наиболее компактная фигура – круг,
- 458. Подсчет периметра области Пиксель лежит на границе области, если он сам принадлежит области и хотя бы
- 459. Дискретный момент mij области определяется следующим образом: - значение пикселя изображения Моменты
- 460. X Y 7 Площадь 20 33 159 Моменты инерции 64 93 Моменты
- 461. Центральные моменты Инвариантны к переносу Центр масс области
- 462. Центральные моменты
- 463. Ориентация главной оси инерции Главная ось Центр масс
- 464. Моменты Hu Инвариантны к повороту, переносу, скалированию
- 465. Пример
- 466. Инвариантные характеристики области Удлиненность, нецентрированность (эксцентриситет)
- 467. Цвет, яркость Цвет и яркость области тоже хорошие признаки. Варианты Гистограмма яркости, цветов в данной области
- 468. Немного о машинном обучении Мы рассмотрели сейчас методы «низкого уровня» Они анализируют небольшое кол-во «простой» информации
- 470. Скачать презентацию