Локализация инородных объектов на изображении
Метод локализации инородных объектов (участков изображения), отличающихся по некоторым характеристикам от основного, фонового изображения. Набор признаков Хаара и использование методов кластерного анализа для выявления и локализации инородных объектов.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 18.05.2016 |
| Размер файла | 803,6 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
ЛОКАЛИЗАЦИЯ ИНОРОДНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ
Нестеренко Виктор Александрович
канд. физ.-мат. наук, доц., Институт математики, механики и компьютерных наук, ЮФУ,
E-mail: neva09@mail.ru
РФ, г. Ростов-на-Дону
Аннотация
В статье рассматривается метод локализации инородных объектов (участков изображения), отличающихся по некоторым характеристикам от основного, фонового изображения. Предлагаемый метод основывается на использовании набора признаков Хаара и использованием методов кластерного анализа для выявления и локализации инородных объектов. В результате использования данного метода выявляются группы точек изображения, отличающиеся от фона изображения по предлагаемым характеристикам.
The article discusses a method for locating foreign objects (areas in the image) that differ in some characteristics from the basic background image. The proposed method is based on the use of a set of Haar features and the use of cluster analysis methods to identify and localize the foreign objects. As a result of using this method identifies groups of pixels different from the background image according to the proposed characteristics.
Ключевые слова: обработка изображений; распознавание образов; локализация объектов.
Keywords: image processing; pattern recognition; localization of objects.
локализация инородный изображение хаар
Задача поиска и локализации объекта на изображении является первым этапом задачи распознавания объекта. Например, в задачах распознавания лиц вначале производится поиск лиц на изображении. Для этих целей широко применяется метод Виолы-Джонса (Viola-Jones) [3]. Так как все лица на фотографиях обычно имеют некие общие свойства (взаимное расположение глаз, губ, носа, …), то используется предварительно заданный фиксированный набор признаков Хаара [2] для определения положения лиц на изображении. Подобный метод может быть использован при локализации других объектов, для которых заранее можно сформировать набор признаков, однозначно фиксирующих искомый объект на изображении. В предлагаемой работе решается задача локализации произвольного объекта, характеристики которого заранее не заданы.
В данной статье предлагается метод обнаружения объекта на изображении, основанный на анализе и выявлении различия текстуры объекта и фона изображения. Различие между фоном и объектом определяется на основе набора признаков Хаара со следующим множеством масок:
и т. д.
В этом случае, каждому пикселю изображения с координатами и яркостью ставится в соответствие набор характеристик, вычисленных в окрестности данного пикселя с различными масками :
(1)
здесь суммирование производится в окрестности пикселя в соответствии с заданной маской : параметр принимает значение +1 если соответствующий пиксель маски белый, -1 в противном случае. Для окрестности размером пикселей используется маски аналогичных приведённым выше ().
Таким образом, от множества пикселей изображения мы переходим к пространству характеристик размерности . Используя «расстояние»
(2)
можно оценить степень «близости» двух пикселей. Пусть соответствует характеристикам фона изображения, тогда формулы (1) (2) позволяют отнести пиксель к фону (если мало) или инородному объекту ( - велико).
Для иллюстрации применения рассматриваемого метода используем изображение:
Рисунок 1. Исходное изображение
На первом шаге предлагаемого метода определим характеристики фона изображения. Для этого будем считать, что инородные объекты составляют малую часть исходного изображения, и характеристики фона близки к средним характеристикам изображения:
(3)
здесь сумма вычисляется по всем пикселям изображения.
Используя найденные характеристики фона, найдём те пиксели изображения, характеристики которых достаточно сильно отличаются от фоновых:
Параметр задаёт степень «близости» пикселей к фону изображения. Значение параметра зависит от желаемой степени достоверности классификации пикселей по признаку фоновый/инородный.
Рисунок 2. «Аномальные» пиксели изображения
Результат операции выявления аномальных, отличающихся от фоновых, пикселей представлен на Рис. 2. На приведённом рисунке аномальные пиксели выделены белым цветом.
Как видно на Рис. 2, пиксели, с характеристиками отличными от фоновых, располагаются не только в инородных объектах, но в силу некоторых случайных причин могут появиться в любом месте изображения. Поэтому, будем считать, что инородным объектам соответствуют области скоплений аномальных пикселей в некоторых местах изображения. Для выявления таких скоплений можно воспользоваться методами кластерного анализа. На заключительном шаге предлагаемого метода используется простой и широко распространённый метод локализации кластеров - метод K-средних (K-means) [1]. Для удобства использования стандартный метод K-средних немного модифицирован: добавлена возможность автоматического определения числа кластеров и использованы кластеры эллиптической формы. Результат выявления скоплений аномальных пикселей приведён на Рис. 3:
Рисунок 3. Найденные кластеры аномальных пикселей
В соответствии с рассматриваемым методом на исходном изображении выявлено три кластера - три инородных объекта. Границы кластеров (эллипсы на Рис. 3) обозначают область локализации инородных объектов. Детальное исследование инородных объектов (точное определение их границы, соответствие заданному образцу, ...) может быть проведено другими методами в пределах найденных границ кластеров.
Список литературы
1. MacQueen J. (1967). Some methods for classification and analysis of multivariate observations. In Proc. 5th Berkeley Symp. on Math. Statistics and Probability, pages 281-297. URL:http://www.umiacs.umd.edu/~raghuram/ENEE731/Spectral/kMeans.pdf (Дата обращения: 15.02.16).
2. Papageorgiou, Oren and Poggio, “A general framework for object detection”, International Conference on Computer Vision, 1998. URL:http://cgit.nutn.edu.tw:8080/cgit/PaperDL/CMS_07101913541759.pdf (Дата обращения: 15.02.16).
3. Viola and Jones, “Rapid object detection using a boosted cascade of simple features”, Computer Vision and Pattern Recognition, 2001. URL: https: //www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf (Дата обращения: 15.02.16).
Размещено на Allbest.ru
...Подобные документы
Определение эффективности методов RSS и TOA, их сравнение в позиционировании абонентских станций внутри помещений и на открытых пространствах. Принципы локализации абонентов в стандарте IEEE 802.11. Использование систем локализации объектов в сетях Wi-Fi.
курсовая работа [1,5 M], добавлен 07.12.2013Обзор алгоритмов распознания объектов на двумерных изображениях. Выбор языка программирования. Обнаружение устойчивых признаков изображения. Исследование алгоритмов поиска объектов на плоскости. Модификация алгоритма поиска максимума дискретной функции.
дипломная работа [1,0 M], добавлен 16.06.2013Задача локализации проекции шаблона на изображении. Свойства биномиального распределения. Определение проекций опорных точек в области локализации. Понижение разрешения и дифференцирование локализованного изображения. Поиск вероятных приближенных решений.
дипломная работа [3,5 M], добавлен 06.11.2011Использование алгоритмов машинной графики для разработки модели прозрачных и отражающих объектов. Визуальная оценка реалистичности изображения, эффектов отражения и преломления. Поиск отраженного и преломленного лучей. Описание интерфейса программы.
курсовая работа [1,6 M], добавлен 04.06.2013Трехмерная графика как раздел компьютерной графики, совокупность приемов и инструментов, предназначенных для изображения объемных объектов. Сферы применения 3D графики. Процесс моделирования 3D объектов. Объемы вычислений при моделировании, расчет сцены.
реферат [1,4 M], добавлен 01.01.2015Метод установления границ начального отрезка локализации минимума. Метод золотого сечения. Оценивание точки минимума внутри найденного отрезка локализации. Программная реализация метода Свенна на языке C++. Текст программы нахождения точки минимума.
контрольная работа [47,3 K], добавлен 27.01.2011Изучение теоретических положений, раскрывающие структуру линейных и нелинейных стационарных и динамических объектов, математическое описание и решение задачи анализа объектов. Использование для решения функции системы математических расчетов MathCAD.
контрольная работа [317,7 K], добавлен 16.01.2009Изучение теоретических положений, раскрывающих структуру линейных и нелинейных стационарных и динамических объектов. Математическое описание и решение задачи анализа такого рода объектов. Анализ линейных стационарных объектов. Средства матричной алгебры.
контрольная работа [1,4 M], добавлен 14.02.2009Понятие локализации программного обеспечения как процесса его адаптации к культуре какой-либо страны. Перевод пользовательского интерфейса, документации и сопутствующих файлов программного обеспечения. Инструментарий для локализации. Языковые теги и коды.
презентация [243,7 K], добавлен 07.10.2013Идентификация динамических объектов. Полный факторный эксперимент. Метод наименьших квадратов и регрессионный анализ. Фиксированный набор уровней факторов. Входные параметры технологического процесса. Точность предсказания значений параметра оптимизации.
контрольная работа [3,7 M], добавлен 05.11.2011Методика сериализации объектов и её практическое применение. Клонирование объектов при помощи сериализации. Обработка действий мыши и клавиатуры. Изучение классов Menu, MenuBar, MenuItem, Dialog, FileDialog пакета java.awt, использование таблиц.
лабораторная работа [180,8 K], добавлен 30.06.2009Роль информации в мире. Теоретические основы анализа Big Data. Задачи, решаемые методами Data Mining. Выбор способа кластеризации и деления объектов на группы. Выявление однородных по местоположению точек. Построение магического квадранта провайдеров.
дипломная работа [2,5 M], добавлен 01.07.2017Содержание активного и пассивного методов идентификации динамических объектов. Проведение полного факторного эксперимента, в котором реализуются все возможные сочетания уравнений факторов. Применение метода наименьших квадратов и регрессионного анализа.
контрольная работа [140,1 K], добавлен 05.11.2011Алгоритм реализации векторного пространства, метод фильтрации шумов на изображении. Формально-логическая модель разработки программного обеспечения, выбор инструментальных средств его реализации. Анализ точности совпадения распознанного изображения.
дипломная работа [2,7 M], добавлен 13.02.2013Разработка программы, предназначенной для сжатия или компрессии полутонового изображения международным стандартом JPEG. Описание метода JPEG, выдача результатов в виде декодированного изображения. Обзор методов компрессии полутонового изображения.
курсовая работа [43,5 K], добавлен 14.10.2012Фильтрация шумов изображения. Алгоритмы его бинаризации и поворота. Формирование информативных признаков для распознавания нот. Схема программного обеспечения. Описание классов, функций, методов, реализованных в программе. Тестирование приложения.
курсовая работа [2,0 M], добавлен 17.12.2013Общие сведения о OpenGL и его использование для разработки логотипа. Разработка программы: функции, их использование в программе. Построение модели и возможность перемещения объектов. Задание освещения объектов моделирования и проработка элементов фона.
курсовая работа [447,7 K], добавлен 14.07.2012Рассмотрение возможностей Adobe Photoshop CC 2014. Описание методов преобразования. Перечень объектов графического редактора. Изучение фильтров, дополнительных плагинов программы. Анализ работы со слоями, коррекции цвета изображения и его деформации.
курсовая работа [6,7 M], добавлен 16.01.2015Информация о графических форматах. Хранение изображения в программе. Очередь как вспомогательная структура данных. Загрузка изображения из двоичного файла. Операции с изображением. Уменьшение разрешающей способности. Увеличение размера изображения.
курсовая работа [1,1 M], добавлен 29.06.2013Моделирование пространства и способы представления пространственных объектов. Хранение и извлечение пространственных объектов. Применение географических баз данных. Классификация объектов на основе размерности. Мозаичное и векторное представление.
презентация [179,5 K], добавлен 11.10.2013
