Michael J. Swain, Dana H. Ballard

Prezentace na téma: "Michael J. Swain, Dana H. Ballard"— Transkript prezentace:

1 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

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

3 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)

4 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

5 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

6 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

7 (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

8 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

9 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%)

10

11

12 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

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

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

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

16 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?