Detectores de Borde. Extracción de Características Detección de Líneas. Detección de Puntos de Borde. Detección de Contornos.

Slides:



Advertisements
Presentaciones similares
Tema 3: Filtros SEGUNDA PARTE.
Advertisements

PROCESAMIENTO DE IMAGENES
Visión de Máquina: Aplicaciones a la Industria
DERIVADA DE UNA FUNCION REAL
Por: Alex F. Guerrero E. Fecha: 04/02/2010
Filtros y Detectores de Borde
Filtros digitales y Máscaras
KRIGING.
7. Extracción de Contornos
MÁSCARAS DE CONVOLUCIÓN PARA LA DETECCIÓN DE BORDES.
 Aristas y Líneas.
EXPRESIONES FRACCIONARIAS
Tomado de UNIMET Prof. Antonio Syers
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 1 Manuel Mazo Quintas Daniel Pizarro Pérez Departamento de Electrónica. Universidad de Alcalá.
MAESTRIA EN INGENIERIA DE CONTROL INDUSTRIAL - Curso de Identificación de Sistemas Ing.MSc. Ana Isabel Gutiérrez 3. PREPROCESAMIENTO DE SEÑALES La calidad.
Segmentación. Qué vemos? La información visual llega a la retina de manera local y “discreta”: conos y bastones sensibles a fotones reflejados por los.
David G. Lowe Distinctive Image Features from Scale-Invariant Keypoints Aradí Rosales Cruz Visión de alto nivel Enrique Sucar.
Juan Pablo Vásquez Ralf Wilke 18 de Diciembre 2008.
Capítulo 2. Representación de imágenes digitales
TD-33. EXTRACCIÓN DE SUPERFICIE BORDE DE UN CONJUNTO DE DATOS VOLUMÉTRICO Andrés Fernández Peralta Luis Franco Espín Ignacio Gordillo Díaz.
Capitulo 2 Filtrado Filtrado Espacial Visión de Máquina
Procesamiento Digital de Imágenes y Visión
La segmentación de imágenes se ocupa de descomponer una imagen en sus partes constituyentes, es decir, los objetos de interés y el fondo, basándose en.
Inicialización de Superficies Deformables mediante Elipsoides Generalizados R. Dosil, X. M. Pardo, A. Mosquera, D. Cabello Grupo de Visión Artificial Departamento.
Introducción al procesamiento de imágenes
Sesión 6: Campos de Markov
Descomposición Factorial Unidad 5
Tema 4. Realzado de imágenes  Qué vamos a estudiar  ¿Qué vamos a estudiar? Un conjunto de técnicas que tratan de conseguir una imagen mejorada y más.
Procesamiento de imágenes
Reconocimiento y resolución de ecuaciones impresas Luis Fernández Pérez Marco Antonio Formoso Trigo.
Tema 4:Segmentación de imágenes
EXTRACCIÓN DE CARACTERISTICAS
MÉTODOS DE BINARIZACIÓN DE IMÁGENES EN NIVELES DE GRIS
Capitulo 3 Segmentación.
MÉTODO DE PIXELES DE BORDE
Unidad V: Estimación de
Los filtros de desenfoque suavizan una selección o una imagen entera y son útiles para retocar. Suavizan las transiciones mediante el cálculo.
Preparada por: Xavier Ernesto San Andrés Lascano &
Statistic Filters El filtro de mediana. Este tipo de filtro pertenece al grupo de filtros de orden estadístico, los cuales son filtros que no cumplen con.
TRATAMIENTO DE IMAGENES Detección de fibras coloreadas en lana.
Procesamiento Digital de Imágenes
Procesamiento Digital de Imágenes
Capacidad de Proceso.
Informática Médica: Procesamiento de imágenes
Microsoft Office Excel
CARPLATE Reconocimiento del marco de la matrícula de un coche
Tema 3: Filtros.
MoMento S Grupo 33: Ignacio Ayllón Benito Félix A. Velázquez Salas.
Filtro Canny Detección de Esquinas
Unidad V: Estimación de
SUBSTRACCIÓN DE IMÁGENES
Una aproximación a la visión
Filtros.
1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab.
Procesamiento Digital de Imágenes
Tema 6: Morfología Segunda parte.
Filtrado lineal Digital image processing, Gonzalez & Woods, chpt 4
1 Condiciones de extremo Proceso para derivar las condiciones De problema más simple a más complejo Progresión de problemas: Problema sin restricciones.
El uso de las máscaras espaciales
Por Umberto Amato, Maria Francesca Carfora y Paolo Colandrea, publicado en ERCIM News, European Research Consortium for Informatics and Mathematics, Num.
ANALISIS ,GRAFICOS Y MEDIDAS ESTADISTICAS
Juan Antonio Cano Salado Borja Moreno Fernández
PC BD Alexandra Buri H José Rivera De La Cruz.
Algoritmo de Retropropagación. Conclusiones de Retropropagación n 1. Si la neurona j es un nodo de salida es igual al producto de la derivada y la señal.
DETECCION DE SEÑALES BINARIAS EN RUIDO GAUSSIANO El criterio de toma de decisión fue descrito por la ecuación Un criterio muy usado para escoger el nivel.
SEGMENTACIÓN DE CARACTERES EN PANELES LED EN IMÁGENES NATURALES Álvaro Vilches Díaz Giulia Sabatinelli Pablo Alamo González.
Algoritmo Genético para la solución del problema SAT René Clemente Juárez Angel Felipe Lara Valladares Junio 2012.
TEMA 7 ANÁLISIS DE LOS RESULTADOS TEMA 7 ANÁLISIS DE LOS RESULTADOS.
Miguel A. Carrasco Septiembre, 2006 Visión por Computador Aplicaciones del Procesamiento de Imágenes Ayudantía 01.
CAPÍTULO 7: DETECCIÓN DE BORDES
Transcripción de la presentación:

Detectores de Borde

Extracción de Características Detección de Líneas. Detección de Puntos de Borde. Detección de Contornos.

Puntos de Borde Puntos de la imagen en que hay un cambio brusco o discontinuidad en los valores de intensidad.

Métodos de Detección de Bordes –Operadores de gradiente. –Operadores de segunda derivada. –Múltiples respuestas a diferentes orientaciones. –Detector de Canny

Máscaras w1w1 w2w2 w 4 w 5 w3w3 w 6 w 7 w 8 w 9 Imagen de Entrada

Detección de Bordes Gonzales Wood Perfil Primera derivada Segunda derivada

Operadores de gradiente Se basan en calcular aproximaciones del gradiente:  f = (df/dx, df/dy)‏ Magnitud del gradiente:  f| = [ (df/dx) 2 + (df/dy) 2 ] 1/2

Aproximación del gradiente Se utiliza diferencia de valores de intensidad. Para una sección de 2 x 2: df/dx = I 1,2 - I 1,1 df/dy = I 2,1 - I 1,1 1,11,2 2,1 2,2

Aproximación del gradiente Otra opción es considerar las diferencias cruzadas: df/dx = I 1,1 - I 2,2 df/dy = I 1,2 - I 2,1 1,11,2 2,1 2,2

Aproximación del gradiente Podemos también considerar una sección de 3 x 3 y aproximar el gradiente de la siguiente forma: df/dx = ( I 1,3 + I 2,3 + I 3,3 ) - ( I 1,1 + I 2,1 + I 3,1 )‏ df/dy = ( I 3,1 + I 3,2 + I 3,3 ) - ( I 1,1 + I 1,2 + I 1,3 )‏ 1,11,2 2,1 2,2 1,3 2,3 3,13,23,3

Las aproximaciones anteriores se implementan como filtros espaciales (máscaras)‏ Operadores como el de Roberts, Prewitt y Sobel, se implementan con dos máscaras: una para dx y otra para dy, luego se hace una síntesis con ambas. Implementación Síntesis MáximoMínimo Promedio

Operadores de Roberts Corresponden a las diferencias cruzadas de 2 x

Ejemplo: Operador de Roberts

Operadores de Prewitt Corresponden a las diferencias en secciones de 3 x

Ejemplos con los operadores de Prewitt

Operadores de Sobel

Ejemplos con operadores de Sobel

Comparación Prewitt Roberts Sobel

Operadores de segunda derivada Ejemplos de estos detectores son: –Laplaciano. –Laplaciano del Gaussiano (LOG). –Y luego buscar los cruces por cero.

Detector basado en el Laplaciano Laplaciano de una función de 2 variables:  2 f = (d 2 f/dx 2, d 2 f/dy 2 )‏ El cual se puede aproximar en forma discreta como:  2 f = 4 * I 2,2 - I 1,2 - I 2,1 - I 2,3 - I 3,2

Máscara para el operador Laplaciano

Ejemplo original Máscara Cruces por cero

Problema: Se observan muchos bordes falsos Solución: Evaluación Local de la varianza

Evaluación Local de la Varianza Estimación de la varianza:

Evaluación local de la varianza (cont.)‏ La varianza se compara con un umbral. Se calcula localmente, solo para aquellos puntos (n 1,n 2 ) para los cuales hay un cambio de signo en el laplaciano. Esto reduce la posibilidad de encontrar bordes falsos.

Ejemplos

Laplaciano del Gaussiano Combina el efecto de una suavizamiento gaussiano con el Laplaciano, en una sola máscara. El Laplaciano del Gaussiano (LOG) es:  2 G= (d 2 G/dx 2, d 2 G/dy 2 )‏ El cual también se puede aproximar con una máscara.

Máscara para el operador Laplaciano del Gaussiano

Ejemplos con operador LOG

Operadores direccionales A veces es útil conocer no sólo la magnitud del borde sino también su dirección: Esto se puede obtener con los operadores de de Prewitt y Sobel, así como con otros operadores direccionales más sofisticados

Operadores de Kirsch Detectan la máxima respuesta en direcciones espaciadas 45°, es decir en orientaciones de 0, 45, 90 y 135 grados - 4 máscaras Se pueden definir a diferentes tamaños: 2x2, 3x3, 5x5

Máscaras para operadores de Kirsch de 3x

Otros Detectores Al aplicar los detectores básicos de borde se tienen varios problemas, como: –Bordes estriados –Ruido –Bordes falsos Operadores más sofisticados utilizan técnicas para mejorar los resultados. Algunas son: –Detector de Canny –Detector de SUSAN

Canny 3 etapas: 1.Suavizamiento y diferenciación Convolución con una gaussiana Obtener las derivadas, dx, dy Calcular magnitud y dirección 2.Supresión de no máximos Eliminar bordes que no sean máximos en la dirección perpendicular al borde. Umbralización con Histéresis

Supresión de no máximos 1.Computar la magnitud de borde en 4 direcciones utilizando máscaras de borde. 2.Para cada pixel con magnitud de borde no cero, inspeccionar los pixels adyacentes indicados en la dirección de su borde. 3.Si la magnitud de cualquiera de los dos pixels adyacentes es mayo que la del pixel en cuestión, entonces borrarlo como borde.

Umbralización con histéresis Pueden ocurrir respuestas falsas a un borde causadas por ruido, formando un estriado. 1. Elegir dos umbrales t1,t2. 2. Marcar todos los pixels con magnitud mayor que t2 como correctos y los menores que t1 como incorrectos. 3.Los pixels cuya magnitud de borde está entre t1 y t2 y están conectados con un borde, se marca también como borde. La conectitud puede ser 4- conexo u 8 – conexo.

Ejemplo Canny Prewitt Sobel

S.U.S.A.N (Smallest Univaluate Segment Assimilating Nucleus)‏ 1.Ubicar una máscara circular alrededor de cada pixel. 2. Calcular la cantidad de pixels dentro de la máscara que tienen el mismo nivel de gris que el núcleo, salvo un umbral. r 0 pixel central r otro pixel dentro de la máscara. t=27

Susan r 0 no es un borde r 0 es un borde r 0 es una esquina

Susan: Ventajas 1.Detecta bordes y esquinas. 2. No usa derivadas. 3.No necesita eliminar el ruido. 4. Usa una máscara circular de 37 pixels.

Ejemplos

Ejercicios Implementar detectores de borde: 1.Hacer un programa para implementar las máscaras de Sobel en x, y; desplegando c/u y la magnitud. 2.Mejorar las bordes utilizando el esquema de post-procesamiento de Canny (después de Sobel), desplegando los bordes antes y después del post-procesamiento. 3. Impementar el detector de SUSAN.