Your SlideShare is downloading. ×
0
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
2012 10-12 image-videoanalysis_lecture04
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

2012 10-12 image-videoanalysis_lecture04

1,011

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,011
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
17
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Анализ изображений и видеоЛекция 4: Построение признаков и сравнениеизображений: глобальные признакиНаталья Васильеваnvassilieva@hp.comHP Labs Russia12 октября 2012, Computer Science Center
  • 2. Вопросы:1. К исходному изображению применяется усредняющая маска для подавления шума, а затем маска лапласиана для улучшения мелких деталей. Изменится ли результат, если поменять очередность этих операций?2. С помощью какой операции можно полностью удалить из изображения изолированные темные или светлые небольшие области? Каким должен быть размер маски, если известно, что размер таких областей не превосходит n пикселей?3. Покажите, что второй проход операции эквализации гистограммы даст точно тот же результат, что и после первого прохода.4. Совместное использование процедур фильтрации с усилением высоких частот и эквализации гистограммы является эффективным методом повышения резкости и улучшения контраста. Влияет ли порядок на окончательный результат? Почему?2 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 3. Зачем сравнивать изображения? • Поиск • Классификация • indoor/outdoor • landscape/city/forest/desert/… • Аннотирование • Image parsing3 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 4. Зачем сравнивать изображения?Поиск изображений Результат поиска Запрос - образец Картинка Эскиз сравнение представлений изображений Коллекция изображений4 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice. 4
  • 5. Зачем сравнивать изображения?Классификация, кластеризация Обучение Обучение классификатора: Модель сопоставление особенностей классификатора изображений меткам классовОбучающее множество:изображения и метки класса Тестирование Предсказанные Сопоставление тестового классификатором изображения модели классы: классификатора – open outdoor Тестовое изображение5 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 6. Зачем сравнивать изображения?Обрнаружение объектов6 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 7. Зачем сравнивать изображения?Аннотирование • Небо, гора, дом, трамвай, пикап, набережная, трава, солнечно, день, дорога,...7 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 8. Как сравнивать? • Представить каждое изображение в виде набора признаков • компактность • описательность • Сравнивать наборы признаков между собой => сравнивать изображения8 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 9. Признаки изображений Признаки изображений Текстовые Визуальные Аннотации и метаданные: Признаки, полученные по − тэги, аннотации; значениям пикселей: − дата создания; − цветовые; − геотэги; − текстурные; − названия файла; − формы; − параметры съемки − пространственного (выдержка, диафрагма, наличие расположения. вспышки…).9 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 10. Признаки изображений Признаки Глобальные Локальные Описывают картинку целиком: Описывают часть картинки: − средняя яркость; − средняя яркость верхней левой − среднее значение по четверти; красному каналу; − среднее значение по красному − … каналу в окрестности центра изображения; − … Обычно, признаки вычисляются Сегментация, поиск точек интереса, по всем пикселям изображения построение признаков по окрестностям точек интереса10 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 11. Пространства признаков Вектор признаков – набор числовых параметров, отражающих особенности изображения Пространство признаков – пространство векторов признаков с заданной функцией подобия (расстояния) для их сравнения. Image A Image B xA1 xA2 … xAN Similarity measure xB1 xB2 … xBN Similarity measure xA1 … xAN yA1 … yAM zA1 … zAK Similarity measure xA1 … xAN yA1 … yAM zA1 … zAK yA1 yA2 … yAM yB1 yB2 … yBM zA 1 zA 2 … zA K Similarity measure … zB1 zB2 … zBK …11 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 12. Комбинирование признаков Image A Image B Similarity measure xA1 xA2 … xAN xB1 xB2 … xBN d1 Similarity measure yA1 yA2 … yAM yB1 yB2 … yBM d2 Similarity measure zA 1 zA 2 … zA K zB1 zB2 … zBK d3 … … … D= ∑c d i i i12 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 13. Поиск по содержанию Признаки по содержанию (content retrieval) Признаки цвета Пространственные признаки (color features) (spatial layout) Признаки текстуры Признаки формы (texture features) (shape features)13 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 14. Цвет Признаки цвета (color features) Гистограммы Статистическая модель Мат. ожидание, дисперсия, 3- ий момент: для каждого цветового канала h1 h2 hN F(I) = (E1I,E2I,E3I, σ1I,σ2I,σ3I, F(I) = (h1I, h2I, …, hNI) s1I,s2I,s3I) Метрики: L1, L2, L∞, χ2, Метрики: ~L1 EMD (earth movers distance), … Stricker M., Orengo M. Similarity of Color Images. Proceedings of the SPIE Conference, vol. 2420, p. 381-392, 199514 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 15. Популярные функции расстояния для гистограмм − Пересечение гистограмм (Histogram intersection) − Гистограммы должны быть нормализованы − Эквивалента L1 histint( hi , h j ) = 1 − ∑ min (hi (m), h j (m) ) K m =1 − Chi-squared Histogram matching distance 1 K [hi (m) − h j (m)]2 χ (hi , h j ) = ∑ 2 2 m =1 hi (m) + h j (m)15 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 16. Квантование пространства при построениигистограмм − Схема квантования влияет на размер вектора признаков − Если метрика не учитывает подобие цветов: • Много промежутков – расстояние между близкими по цвету может быть большим • Мало промежутков – расстояние между далекими по цвету может быть маленьким16 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 17. Квантование в случае многомерных признаков17 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 18. Квантование пространства при помощикластеризации − Построение кластеров по признакам обучающего множества − Определение центров кластеров − Для пикселя тестового изображения – принадлежность промежутку квантования по ближайшему центру18 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 19. Выбор схемы квантования цветового пространства Проверка существования пороговых значений шага квантования, таких что выбор меньших шагов не приводит к повышению качества результатов поиска • Равномерное квантование • Равномерное квантование с граничными условиями пространств семейства HSV Пространства и схемы квантования, участвовавшие в экспериментах19 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice. 19
  • 20. 20 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.Slide credit: James Hays
  • 21. Цветовые гистограммы – недостатки 1. Не учитывается подобие цветов:  Кумулятивные гистограммы  d ( H1 , H 2 ) = ( H1 − H 2 ) ⋅ A ⋅ ( H1 − H 2 ) T А – матрица с коэффициентами «подобия» цветов Niblack W., Barber R., et al. The QBIC project: Querying images by content using color, texture and d(H1, H2) > d(H1, H3) shape. In IS&T/SPIE International Symposium on Electronic Imaging: Science & Technology, Conference 1908, Storage and Retrieval for Image and Video Databases, Feb. 199321 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 22. Цветовые гистограммы – недостатки 2. Не учитывается пространственное расположение цветов: HA= HB = HC A B C22 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 23. 23 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.Slide credit: James Hays
  • 24. Пространственное расположение цветов  Разбиение изображения на фиксированные блоки  «Нечеткие области» Stricker M., Dimai A. Spectral Covariance and Fuzzy Regions for Image Indexing. Machine Vision and Applications, vol. 10., p. 66-73, 1997  Сегментация24 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 25. Цветовая гистограмма с информацией о пространственном расположении цветов Вектор признаков HistSP( I ) = {ci | ci = ( pi , xi , yi)}i = 1.. N N – число цветовых диапазонов, Pi – доля пикселей i-го диапазона, (xi, yi) – нормированные координаты центра масс пикселей i-го диапазона. Функция подобия α = 0.1, β = 0.525 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice. 25
  • 26. Эффективность поиска по цветовым гистограммам • Превосходство признаков HistSP вкупе с функцией DHistSP над классическими гистограммами с манхеттенской метрикой ImageDB-1000: 1000 изображений, 100 запросов Добавление граничных условий позволило повысить показатели точности и полноты для схем с небольшим числом цветовых диапазонов (выигрыш в точности до 10%). При равномерном квантовании оптимально использование порядка 500 цветовых диапазонов. При равномерном квантовании с граничными условиями близкие по точности и полноте результаты при 41 диапазоне.26 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 27. Гистограммы или моменты? (1) Stricker M., Orengo M. Similarity of Color Images. ... (3000 изображений)27 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 28. Гистограммы или моменты? (2) База Corel Photo Set (285 изображений) Полнота Точность ColorHist 56,77 % 23,02 % ColorMoment 55,98 % 25,06 %28 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 29. Признаки по содержанию Признаки цвета Пространственные признаки (color features) (spatial layout) Признаки текстуры Признаки формы (texture features) (shape features)29 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 30. Текстура Гладкая Грубая Периодичная30 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 31. Текстура Текстурные признаки (texture features) Статистические Спектральные General statistics parameters Haralick’s co-occurrence matrices PWT Tamura features Модельные TWT DCT, DST, DHT Markov random fields Complex wavelets Fractals Gabor filters Геометрические ICA filters Voronoi tesselation features Structural methods  Матрицы смежности – Haralik’s co-occurrence matrices  Признаки Tamura – Tamura features (Tamura image)31 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 32. Матрицы смежности Grey Level Co-occurrence Matrices (GLCM): Матрица частот пар пикселей определенной яркости, расположенных на изображении определенным образом относительно друг друга. 1, если I ( p, q ) = i, I ( p + ∆x, q + ∆y ) = j N M C (i, j ) =  ∑∑ p =1 q =1 0, иначе (∆x, ∆y ) – параметр сдвига, задающий взаимное расположение пикселей; I(p,q) – уровень яркости пикселя изображения, расположенного в точке (p, q).32 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 33. Матрицы смежности: пример(∆x, ∆y ) = (1,0)33 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 34. Матрицы смежности: характеристики Статистические параметры, вычисленные по матрицам: Energy = ∑∑ C i j 2 (i, j ) - минимален, когда все элементы равны Entropy = − ∑∑ i j C (i, j ) log 2 C (i, j ) - мера хаотичности, максимален, когда все элементы равны - мал, когда большие элементы Contrast = ∑∑ (i − j ) 2 C (i, j ) вблизи главной диагонали i j Inverse Difference Moment = ∑∑ C (i, j ) - мал, когда большие элементы i j 1 + (i − j ) 2 далеки от главной диагонали34 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 35. Признаки Tamura Характеристики, существенные для зрительного восприятия: Tamura image:  Зернистость (coarseness) Coarseness-coNtrast-Directionality  Контрастность (contrast) – точки в трехмерном пространстве CND  Направленность (directionality) Признаки:  Линейность (line-likeness)  Евклидово расстояние в 3D  Регулярность (regularity) (QBIC)  Грубость (roughness)  3D гистограмма (Mars)35 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 36. Текстура: спектральные Текстурные признаки (texture features) Статистические Спектральные General statistics parameters Haralick’s co-occurrence matrices PWT Tamura features Модельные TWT DCT, DST, DHT Markov random fields Complex wavelets Fractals Gabor filters Геометрические ICA filters Voronoi tesselation features Structural methods  Вейвлет-признаки, фильтры Габора  Фильтры ICA36 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 37. Вейвлет-признаки Вейвлет-анализ – разложение сигнала по специальному базису: f ( x) = ∑α ψ j ,k k j ,k ( x) ψ j , k = 2 j / 2 ϕ (2 j x − k ) j , k ∈ Ζ, ϕ ( x) ∈ L2 ( R)37 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 38. Масштабирующая функция Хаара: Вейвлет-функция Хаара:38 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 39. Вейвлет-признаки Набор базисных функций – банк фильтров Изображение Фильтр 1 Энергия 1 Фильтр 2 Энергия 2 вектор признаков Фильтр N Энергия N39 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 40. Фильтры Габора Масштабирующая функция: функция Габора  1   1  x2 y2   g ( x, y ) =   exp −  + 2  + 2πjWx   2πσ xσ y   2σx σ y  2       Набор фильтров: g mn ( x, y ) = a − m g ( x′, y′), a > 1, m, n = integer, m = 0,1,..., S - 1, x′ = a −m ( x cos Θ + y sin Θ), y ′ = a −m (− x sin Θ + y cos Θ), К – общее число направлений, S – число масштабов, Θ = nπ / K Uh, Ul – максимум и минимум a = (U h / U l ) −1 /( S −1) рассматриваемых частот.40 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 41. Фильтры ICA Фильтры получены при помощи анализа независимых компонент N I1 dist(I1,I2) = ΣKL (H i=1 H 1i , H2i) H. Borgne, A. Guerin-Dugue, A. Antoniadis. Representation of images for classification with independent … I2 features. Pattern Recognition Letters, vol. 25, p. 141-154, 2004 N фильтров41 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 42. Сравнение текстурных признаков В контексте задачи поиска P. Howarth, S. Rüger. Robust texture features for still image retrieval. In Proc. IEE Vis. Image Signal Processing, vol. 152, No. 6, December 200642 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 43. Сравнение текстурных признаков (2) Фильтры Габора v. s. фильтры ICA Эксперименты по классификации изображений:  Коллекция ангиографических снимков  Фильтры ICA лучше на 13%  Коллекция текстур Brodatz  Фильтры ICA лучше на 4% Snitkowska, E. Kasprzak, W. Independent Component Analysis of Textures in Angiography Images. Computational Imaging and Vision, vol. 32, pages 367-372, 2006.43 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 44. Признаки по содержанию Признаки цвета Пространственные признаки (color features) (spatial layout) Признаки текстуры Признаки формы (texture features) (shape features)44 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 45. Форма объектов Признаки формы (shape features) Дескрипторы границ (boundary-based methods) Дескрипторы областей (region-based methods) Геометрические Сигнатуры Глобальные Периметр Centroid Distance Геометрические Эксцентриситет Complex Coordinates Moment invariants Кривизна Curvature signature Площадь Zernike moments Направление осей Turning Angle Компактность Pseudo Zernike moments Число Эйлера Grid method Прочие Представление сигнатур Декомпозиция Цепные коды Fourier Descriptors Triangulation UNL-Fourier Medial Axis Transform NFD Спектральные (Skeleton Transform) Wavelet Descriptors дескрипторы (spectral B-Splines descriptors)45 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 46. Требования к признакам формы  Инвариантность к параллельному переносу  Инвариантность к изменению масштаба  Инвариантность к повороту  Устойчивость к незначительным изменениям формы  Простота вычисления  Простота сравнения46 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 47. Форма объектов: границы Признаки формы (shape features) Дескрипторы границ (boundary-based methods) Дескрипторы областей (region-based methods) Геометрические Сигнатуры Глобальные Геометрические Представление Прочие сигнатур Декомпозиция Цепные коды Fourier Descriptors NFD ...  Цепные коды (Chain Codes)  Дескрипторы Фурье (Fourier Descriptors)47 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 48. Цепные коды Нумерация направлений для 4-связного и 8-связного цепных кодов: А: 03001033332322121 1 11 Б: 70016665533222 Пример: Инвариантность к выбору 0 3 1 0 3 2 7 1 6 начальной точки: минимальный код 1 0 0 0 0 1 3 2 6 70016665533222 -> 00166655332227 1 3 2 6 1 3 3 5 2 2 1 3 3 5 2 2 a) б) в) Инвариатность к повороту: А Б разности цифр кода 00166655332227 -> 0150070607005148 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 49. Дескрипторы Фурье 1. Вычисление сигнатуры (2D -> 1D):  Расстояние от центроида до границы  Комплексные координаты: z(t) = x(t) + iy(t)  ... 2. Вычисление коэффициентов Фурье (s(t) – сигнатура): N −1 ∑ s(t )e 1 − j 2πnt / N un = N t =0 3. Нормализация (NFD – Normalized Fourier Descriptors): u1 u 2 u , ,..., N −1 u0 u0 u0 4. Сравнение: Nc 1 ∑f 2 d =( I n − f J n ) 2 n =049 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 50. Форма объектов: области Признаки формы (shape features) Дескрипторы границ (boundary-based methods) Дескрипторы областей (region-based methods) Геометрические Геометрические Сигнатуры Глобальные Moment invariants Прочие Zernike moments Декомпозиция Pseudo Zernike moments Представление Grid method сигнатур  Грид-метод (Grid-method)  Инвариантные моменты (Moment invariants)50 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 51. Грид-метод А А: 001 1 1 1000 01 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 101 1 01 100001 1111 1111 1111 11 1 1 1 Б Б: 001100000 01 100000 1 1 1 1 100000 1 1 1 1 1 1 1 1 001 1 1 101 1 1 1 1 10 1 1000 Инвариантность: Нормализация по главной оси:  направление;  размер;  позиционирование на гриде.51 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 52. Инвариантные моменты Момент порядка (p+q) двумерной непрерывной функций: m pq = ∫∫ x p y q f ( x, y )dxdy Центральные моменты для f(x,y) – дискретного изображения: µ pq = ∑∑ ( x − x ) p ( y − y ) q f ( x, y ), x = m10 m01 , y= x y m00 m00 Вектор признаков: С использованием нормированных центральных моментов был выведен набор из 7 инвариантных к параллельному переносу, повороту и изменению масштаба моментов.52 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 53. Сравнение признаков формы Mehtre B. M., Kankanhalli M. S., Lee W. F. Shape measures for content based image retrieval: a comparison. Inf. Processing and Management, vol. 33, No. 3, pages 319- 337, 1997.53 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
  • 54. Заключение Большой выбор различных способов представления изображений  Цвет: гистограммы или статистическая модель?  Текстура: фильтры Габора, фильтры ICA  Форма: дескрипторы Фурье, инвариантные моменты При сравнении изображений часто необходимо комбинировать различные признаки54 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.

×