Estrazione automatica delle linee in un'immagine digitale

1. UNIVERSITA DEGLI STUDI DI TRIESTE
FACOLTA DI INGEGNERIA
Dipartimento di Elettrotecnica, Elettronica e Informatica
Estrazione automatica
delle linee da un’immagine digitale
Laureando: Relatore: Correlatore:
Francesca PADOIN Sergio CARRATO Marco FONTANI
Anno Accademico 2020-2021

2. Obiettivi
 Individuare e rappresentare le linee presenti in un’immagine
 Individuare i tre punti di fuga allo scopo di calcolare la
prospettiva
 Valutare se le tre direzioni principali trovate siano corrette o
meno

3. Ambiente di lavoro
• Visual Studio 2019
• Linguaggio C++
• Libreria OpenCV

4. Sviluppo del lavoro
• Prefiltraggio immagine
• Trasformata di Hough per l’individuazione delle linee
• Calcolo punti d’intersezione fra le linee trovate
• Individuazione dei tre cluster tramite algoritmo

5. Trasformata di Hough
• Mappa ogni punto presente nell’immagine in una retta nello
spazio dei parametri
• Operatore utilizzati: Canny e Sobel
• Confronto fra i due e valutazione su quale operatore utilizzare

6. Confronto operatori
S
O
B
E
L
C
A
N
N
Y

7. Confronto operatori dopo aver
applicato la trasformata di Hough
S
O
B
E
L
C
A
N
N
Y

8. Valutazioni
• L’operatore di Canny individua un maggior numero di linee con
direzione diversa
• Per l’operatore di Sobel bisogna preimpostare una soglia, che
varia da immagine ad immagine. Tale soglia assume solo due
valori
• Con Sobel non è necessario pre-filtrare

9. Individuazione dei punti di intersezione
• Come si può notare ci sono
dei punti d’intersezione no
utili ai fini della ricerca dei
punti di fuga

10. Problematiche
• Utilizzare un algoritmo di cluster ad hoc
• Individuare i cluster corretti
• Poche linee nelle tre direzioni ‘volute’

11. Algoritmi di clustering
• Algoritmo di clustering
partizionale
• Basati sulla distanza fra i
tre centroidi individuati
• Scelta fra k-means e k-
medoids

12. Scelta del cluster corretto
• Basandosi su una distanza media dal centroide ed avendo il
numero limitato a tre cluster, il k-means individua spesso
correttamente i cluster esterni
• Il cluster interno all’immagine invece spesso è una media dei
punti individuati, che sono parecchi, e quindi non precisa
• Soluzioni:
-porre a quattro il numero di cluster da individuare ed eliminarne
in seguito uno
-eliminare le linee trovate che non concorrono all’individuazione
del punto di fuga

13. Come si nota il tavolo e la sedia non concorrono ad una corretta individuazione del
punto di fuga anche se la trasformata li individua correttamente come linee. Questo
comporta l’individuazione di punti d’intersezione, segnati in figura, non voluti.

14. Conclusioni
• Il software individua correttamente le linee ma ne individua
molte dirette verso i due punti di fuga e poche o nulle dirette
verso il terzo punto di fuga
• L’eliminazione delle linee non volute porta ad un miglioramento e
ad una ricalibrazione del calcolo del punto di fuga corretto
• L’eliminazione delle linee corrette ma in eccesso, a fronte di
poche linee trovate verso il terzo punto di fuga, porta ad una
corretta individuazione dei tre cluster

15. Soluzioni e sviluppi futuri
 Si consiglia di coadiuvare il software con una rete neurale per
trovare un maggior numero di linee con diversa direzione oppure
di inglobare i risultati ottenuti usando l’operatore di Sobel con
quelli ottenuti usando l’operatore di Canny
 Utilizzare un metodo geometrico, se esiste, che riesca ad
individuare a priori i tre corretti punti di fuga, valutando la
pendenza delle singole rette appartenenti ai fasci passanti per il
centroide, escludendo la prospettiva