Michael J. Swain, Dana H. Ballard

Slides:



Advertisements
Podobné prezentace
Počítačová grafika.
Advertisements

Úvod do tématu.  Odvětví informatiky -> používáme PC k tvorbě uměleckých grafických materiálů  Vytváříme ji buď zcela digitálně, nebo s využitím nasnímaných.
RASTROVÁ A VEKTOROVÁ GRAFIKA
Obchodní akademie, Náchod, Denisovo nábřeží 673 Projekt CZ.1.07/1.5.00/ EU peníze pro Obchodní akademii Náchod Číslo-název šablony a klíčové aktivity.
Grafika a digitální fotografie Volitelný modul úrovně P díl č. 2.
Počítačová grafika.
POZNÁMKY PRO VÝUKU Předmět:GRAFIKA A DIGITÁLNÍ FOTOGRAFIE Téma:ÚVOD DO BITMAPOVÉ A VEKTOROVÉ GRAFIKY Školení v rámci SIPVZ:UČITELÉ Mezipředmětové vztahy:
Úvod do počítačové grafiky
3D CG. Základy geometrie Vertex A (x,z,y,(w)) Faceta(triangle) F(A,B,C) (polygon) F(A,B,C,D), konvexní, nekonvexní Objekt Většinou (0,1) rozměr.
Počítačová grafika.
Prosinec 2008Úprava jasu, světlosti, kontrastu a gamakorekce 1 Úprava jasu, světlosti, kontrastu a gamma korekce PGC3 Vypracoval: Martin Matouš obor S.
PERIFERNÍ ZAŘÍZENÍ ZOBRAZOVACÍ JEDNOTKY Ing. Petr Bouchala Střední škola, Havířov-Šumbark, Sýkorova 1/613, příspěvková organizace Tento výukový materiál.
CZ.1.07/1.4.00/ VY_32_INOVACE_128_IT5 Výukový materiál zpracovaný v rámci projektu Vzdělávací oblast: Informační a komunikační technologie Předmět:Informatika.
Komparativní metoda/metody v politologii
Gymnázium, Žamberk, Nádražní 48 Projekt: CZ.1.07/1.5.00/ Inovace ve vzdělávání na naší škole Název: Základní pojmy počítačové grafiky Autor: Mgr.
Projekt: CZ.1.07/1.5.00/ „SŠHL Frýdlant.moderní školy“
Žákovská prezentace Následující práce, je prací žáka (žáků) ZŠ T. G. Masaryka Jihlava. Je určena pouze jako prezentace výsledků práce žáků školy
Způsoby uložení grafické informace
Základní pojmy Grafiky
G IMP. Gimp je bitmapový grafický editor s částečnou podporou vektorové grafiky Lze s ním vytvářet grafiku pro web, upravovat fotografie Čeští uživatelé.
Škola: Střední škola právní – Právní akademie, s.r.o. Typ šablony: III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Projekt: CZ.1.07/1.5.00/
Moje Zvířata Bára, Bella, Chip.
Digitální výukový materiál zpracovaný v rámci projektu „EU peníze školám“ Projekt:CZ.1.07/1.5.00/ „SŠHL Frýdlant.moderní školy“ Škola:Střední škola.
Aplikovaná počítačová grafika. Způsoby uložení grafické informace Rastr (grid, bitmapa …) Vektor.
Počítačová grafika a CAD 1. Způsoby uložení grafické informace Rastr (grid, bitmapa …) Vektor.
Vyhledávání v multimediálních databázích Tomáš Skopal KSI MFF UK
Poznámky k testu Z uvedených otázek je vždy jedna odpověď správná.
Počítačová grafika.
Grafické systémy II. Ing. Tomáš Neumann Interní doktorand kat. 340 Vizualizace, tvorba animací.
Číslo projektu CZ.1.07/1.5.00/ Kódování materiálu vy_32_INOVACE_inf3_web16 Označení materiálu web16_barvy.pptx Název školy Gymnázium Kladno Autor.
Počítačová grafika VY_32_INOVACE _GRAF_18.  přidáním barevného odstínu vznikne tmavší barva, tento způsob používají například tiskárny.
likovna teorija 7, 8, 9 razred
Navodila za informiranje in obveščanje javnosti o kohezijskem in strukturnih skladih v programskem obdobju
Ivo Peterka FHS Barvy v počítači a HTML..
Dotkněte se inovací CZ.1.07/1.3.00/
Počítačová grafika základní pojmy. Počítačová grafika základní pojmy.
Želva ozdobná Michal Bjalončík Dnes se budeme bavit o mojí želvě.
Základní pojmy z počítačové grafiky
Financováno z ESF a státního rozpočtu ČR.
Barevné modely Číslo projektu CZ.1.07/1.5.00/ Číslo materiálu
Název školy: Autor: Název: Číslo projektu: Název projektu:
BARVA.
Barvy a barevné prostory
Informatika – Grafika.
Didaktika likovne umetnosti II
PUŠČAVA.
Mojca Ogrin, EDC Ljubljana
dr. Tatjana Hodnik Čadež, PeF
Miran LOVRIN, univ.dipl.ing.agr.
Pomembni astronomski dogodki do leta 2009
Avtorica: Lara Polanič, 8.a
IZDELAVA SEMINARSKE NALOGE
SISTEMI VELIKOSTI OBLAČIL IN OZNAČEVANJA
NAVODILA ZA IZDELAVO SEMINARSKE NALOGE
Drevesa dogodkov in drevesa odpovedi
Naključna števila import random random.random()
Vzgojni načrt v sliki in besedi
Základné parametre obrazu II.
Izbira barvnega prostora pri sistemih strojnega vida
Virtualni Šport Mentorja projekta: Sebastjan Šprager in Boris Cigale
Predmeti iz preteklosti
Osnove raziskovanja v managementu in pravu Tema IV: Anketne raziskave
Počítačová grafika Mgr. Petra Toboříková.
Počítačová grafika Mgr. Petra Toboříková.
Barvy v počítačové grafice
Způsoby uložení grafické informace
Způsoby uložení grafické informace
Rastrová grafika O. Kánský 2012.
Způsoby uložení grafické informace
Rastrové formáty.
Transkript prezentace:

Michael J. Swain, Dana H. Ballard UNIVERZA V LJUBLJANI FAKULTETA ZA ELEKTROTEHNIKO Seminarska naloga Strojni vid INDEKSIRANJE BARV COLOR INDEXING Michael J. Swain, Dana H. Ballard Jure Rejc Ljubljana, april 2003

POTEK PREDSTAVITVE UVOD BARVNI PROSTOR HISTOGRAMI HISTOGRAM INTERSECTION REZULTATI (članek) REZULTATI (moji poizkusi) – Algoritem iz članka REZULTATI (moji poizkusi) – Zamenjalna metoda ZAKLJUČEK

UVOD Avtomatizacijski procesi Članek barvni histogrami Ostali Strojni vid algoritmi Kateri objekt? Lokacija? Odkrivanje objektov v slikah Geometrijske značilke + večje število + zanesljivejši + dokaj neobčutljivi na različno osvetljenost - objekt spremeni obliko - objekti enakih ali podobnih oblik Barvne značilke + barve - več informacije + objekt spremeni obliko + objekta ni potrebno odstraniti od ozadja - občutljivi na osvetljenost - v sliki preveč barvno podobnih objektov odkrivanje objekta v sliki (Histogram Intersection) Članek barvni histogrami večbarvnih objektov (modeli) lociranje objekta v sliki (Histogram Backprojection)

BARVNI PROSTOR matematična predstavitev nekega nabora barv RGB (računalniška grafika) - za izpeljavo ostalih YIQ, YUV, YCbCr (video sistemi) CMYK (barvni tiskalniki) HSI ... (H - barvni odtenek, S ... nasičenost, I ... svetlost) HSV ... (H - barvni odtenek, S ... nasičenost, V ... svetlost) HLS ... (H - barvni odtenek, L ... svetlost ,S ... nasičenost) povezava s človekovim zaznavanjem barv Barvni prostor pri poizkusih v članku: rg = R-G (barva) by = 2B-R-G (barva) wb = R+G+B (svetlost) Barvni prostor pri mojih poizkusih: r = R/(R+G+B) r+g+b=1 g = G/(R+G+B) b = 1- r - g b = B/(R+G+B) dve neodvisni

HISTOGRAMI barvni prostor (RGB) diskretizacija nivojev vsota pojavljanja nivoja 1D (sivinski,barvni), 2D, 3D (barvni) ... po oseh komponente barvnega prostora razdelitev na bine oz. barvne koše - združevanje nivojev izguba informacije se ne spreminjajo: translacije in rotacije v sliki se počasi spreminjajo: - sprememba projekcije - sprememba skaliranja - prekrivanje objektov se spreminjajo: sprememba osvetljenosti slike Opis (2D,3D) objekta

število pikslov histograma modela, ki jih lahko najdemo v sliki HISTOGRAM INTERSECTION odkrivanje prisotnosti objekta v sliki potrebno poznati histogram modela objekta metoda robustna glede na: + motnje v ozadju objekta + različne projekcije objekta + prekrivanja + spremembe resolucije - spremembe osvetljenosti lastnosti histogramov I ... histogram slike M ... histogram modela (samo objekt, brez ozadja) enako število binov po oseh Ocena podobnosti med I in M: število pikslov histograma modela, ki jih lahko najdemo v sliki Za pravilno delovanje metode: skaliranje modela ali slike (članek) + hitrost (primerjava samo enkrat) pregled slike z oknom v velikosti slike modela (moji poizkusi) + lokacija objekta

(nekateri zarotirani) modelov (3D histogramov) REZULTATI (članek) 32 “neznanih” objektov (nekateri zarotirani) 66 objektov tvori bazo modelov (3D histogramov) Barvni prostor: - rg (16 binov) - by (16 binov) - wb (8 binov) znižali vpliv spremembe osvetljenosti

Velikost slike 128  90 pikslov REZULTATI (članek) - spreminjali velikost slike (od 128  90 do 8  5) - histogrami modelov iz slik 128  90 - histogrami skalirani (povprečenje) - histogrami modelov iz slik z enako velikostjo kot slika “neznanih ”objektov Legenda: 66 objektov iz baze 32 “neznanih” objektov Velikost slike 128  90 pikslov

REZULTATI (moji poizkusi) - Algoritem iz članka pregledovanje slike (2000  1500) z oknom (500  500) 11 objektov  skoraj enakih oblik  ujemanje v nekaterih barvah slike modelov (500  500)  izenačenje števila pikslov v obeh histogramih - barvna prostora RGB in normiran rgb (2D histogrami – le RG in rg komponenti) - osi razdeljeni na 32 binov število pregledov slike: 7  5 (35 rezultatov) - preizkusil barvna prostora pri različnih osvetljenostih (0%, +25%, +45%)

REZULTATI (moji poizkusi) – Zamenjalna metoda barvni histogram modela: p(v) prelet slike in zamenjava vrednosti piksla s pripadajočo vrednostjo iz histograma p(v) nove vrednosti je potrebno normirati na max. vrednost 255  pravi objekt izstopa R,G rezultati  slabši od pričakovanj - uporabljeno je bilo 256 binov namesto sivinske slike  črno/bela slika – prag pri 200 - težava  neenakomerno osvetljeno ozadje  bliskavica

? Osnovna osvetlitev – originalno črno ozadje - RGB Osnovna osvetlitev – umetno črno ozadje - RGB Osnovna osvetlitev – umetno črno ozadje - rgb

? ? ? ? Osvetlitev +25% – originalno črno ozadje - RGB Osvetlitev +25% – umetno črno ozadje - RGB Osvetlitev +25% – umetno črno ozadje - rgb ? ?

? ? ? ? Osvetlitev +45% – originalno črno ozadje - RGB Osvetlitev +45% – umetno črno ozadje - RGB Osvetlitev +45% – umetno črno ozadje - rgb ? ?

ZAKLJUČEK BARVE  lahko vsebujejo veliko informacij barvno kodiranje robotika: barvno orodje, sledenje po barvah, nevarni objekti obarvani, ... HISTOGRAM INTERSECTION  na nivoju robustnosti deluje dobro dobri rezultati pri slikah z malo piksli  hitra obdelava  ni lokacije moji poizkusi  pravi barvni prostor  različna osvetljenost (danes rešen problem)  informacija o lokaciji  poizkusi na velikih slikah  majhne ? ZAMENJALNA METODA  slabi rezultati večja poglobljenost v metodo (bil sem brez literature) izpolnjeni določeni pogoji (osvetljenost, ozadje) morda dobra metoda?