Bài giảng Xử lý ảnh số: Chương 6 - TS. Ngô Quốc Việt

Chia sẻ: 4584125 4584125 | Ngày: | Loại File: PDF | Số trang:48

Thêm vào BST

Báo xấu

129
lượt xem 35
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Xử lý ảnh số - Chương 6 giới thiệu về bài toán dò cạnh. Nội dung chính được trình bày trong chương này gồm có: Các toán tử dò cạnh dựa trên gradient bậc nhất, bậc hai; dò cạnh tối ưu dựa trên phương pháp Canny; dò cạnh sử dụng OpenCV. Mời các bạn cùng tham khảo.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Xử lý ảnh số: Chương 6 - TS. Ngô Quốc Việt

BÀI TOÁN DÒ CẠNH TS. NGÔ QUỐC VIỆT TPHCM-2014
1. Các toán tử dò cạnh dựa trên gradient bậc nhất, bậc hai 1. Robert, Sobel, Prewitt 2. Laplacian operator 2. Dò cạnh tối ưu dựa trên phương pháp Canny 3. Dò cạnh sử dụng OpenCV Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 2
 Trang bị cho sinh viên nền tảng lý thuyết để thực hiện bài toán dò cạnh  Trang bị các toán tử phổ biến (mặt nạ) dùng để dò cạnh  Trình bày các trở ngại (nhiễu, cạnh dầy) và hướng giải quyết cho bài toán dò cạnh  Cung cấp các kỹ năng cần thiết sử dụng OpenCV để thực hiện dò cạnh Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 3
 Nhằm biến đổi ảnh thành tập các curve.  Thể hiện được đặc trưng nổi bật trong ảnh  Cạnh mang lại nhiều thông tin hơn pixel. Cạnh và vùng là hai thông tin hữu ích cho các bài toán dựa trên ảnh.  Đối sánh các cạnh dễ hơn đối sánh tập các pixel giữa hai ảnh (cạnh hình dáng, kích cỡ, vị trí đối tượng) Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 4
 Cạnh có thể được biểu hiện bởi một số thay đổi có trong ảnh surface normal discontinuity depth discontinuity surface color discontinuity illumination discontinuity  Cạnh là nơi xảy ra sự thay đổi đột ngột hay không liên tục (discontinuity) về độ sáng, bề mặt, màu sắc Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 5
 Sự thay đổi có thể đo bằng đạo hàm bậc nhất hoặc  Thay đổi cực đại, đạo hàm có có biên độ cực đại hay đạo hàm bậc hai bằng zero  Thông tin biên được phát hiện bởi pixel trung tâm và các pixel lân cận.  Nếu cường độ sáng các điểm ảnh lân cận xấp xỉ cường độ sáng điểm ảnh trung tâm, thì điểm ảnh đó không là điểm thuộc cạnh  Nếu các lân cận của điểm ảnh trung tâm đang xét thay đổi mạnh, điểm ảnh đó có thể là thuộc cạnh. Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 6
 Phương pháp đạo hàm bậc nhất hay Gradient  Roberts Operator  Sobel Operator  Prewitt Operator  Đạo hàm bậc hai  Laplacian  Laplacian of Gaussian  Difference of Gaussian  Dò cạnh tối ưu  Dò cạnh Canny Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 7
 Kỹ thuật chủ yếu dùng để phát hiện cạnh dựa vào sự biến đổi cường độ xám theo hướng  Cách tiếp cận theo đạo hàm bậc nhất của ảnh dựa trên kỹ thuật Gradient  Tiếp cận dựa trên gradient hiệu quả khi cường độ sáng thay đổi rõ nét trên biên. Nghĩa là biến thiên độ sáng là đột ngột.  Tại điểm có thay đổi nhiều nhất (độ dốc lớn nhất), đạo hàm bậc nhất có giá trị cực đại.  Điểm trên cạnh có cực trị biên độ gradient  Phương pháp gradient dựa trên so sánh biên độ với một ngưỡng Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 8
 Gradient của ảnh:  Điểm gradient theo hướng thay đổi cường độ sáng nhiều nhất Hướng gradient xác định bởi: Độ đo cạnh xác định bởi biên độ gradient f f f   x y Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 9
 Gradient rời rạc được xấp xỉ bởi đạo hàm bậc nhất  Đạo hàm bậc hai  Làm cách nào chuyển từ gradient sang dạng mặt nạ để thực hiện toán tử chập H?  Thực hiện tổng hợp đạo hàm theo hai hướng X và Y Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 10
 Chỉ kiểm tra điểm ảnh thuộc cạnh hay không  Làm việc tốt với ảnh nhị phân. Mục tiêu là để dò cạnh nhanh.  Làm việc không tốt với cạnh nhiễu.  Dạng của toán tử Roberts chéo G[ f (r, c)] | f (r, c)  f (r  1, c  1) |  | f (r, c  1)  f (r  1, c) | 1 0   0 1 h1    h2    0  1   1 0   Mục tiêu là xác định gradient theo các hướng chéo so với pixel hiện hành  Differences được tính tại điểm [r+1/2, c+1/2], không phải tại [r, c] Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 11
 Xét khác biệt theo hai hướng ngang và dọc, sau đó kết hợp cả hai nhằm xác định biên độ hay hướng  1  1  1  1  1 0 1 1 H y   0 0 0    0   1 1 1 H x    1 0 1  1   1    0 1  1 1 1   1    1 0 1   1  Gy  I  H y Gx  I  H x Biên độ cạnh = G  G 2 2  x y  Gy  1  Hướng cạnh = tan    Gx  Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 12
 Xấp xỉ đạo hàm tồn tại tốt hơn  Tương tự toán tử Prewit, nhưng sử dụng các hệ số mặt nạ khác:  1  2  1  1   1 0 1 1  H y   0 0    0   1 2 1 H x   2 0 2  2   1 0 1 1 1 1 1 0 8 8 8 8  1 2 1   1      1 0 1 1  • Dạng chuẩn của Sobel không có phân số 1/8 Biên độ cạnh = G  G 2 2 • Giá trị 1/8 nhằm lấy được  x y gradient đúng  Gy  1  Hướng cạnh = tan    Gx  Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 13
Mặt nạ Prewitt dò cạnh xéo Mặt nạ Sobel dò cạnh xéo Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 14
  1 0 1  1  2  1 H x   2 0 2 H y   0 0 0      1 0 1   1 2 1  Thêm cột và hàng zero vào các biên ảnh khi chập - zero padding Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 15
  1 0 1  1  2  1 H x   2 0 2 H y   0 0 0      1 0 1  1 2 1  Duplicate mở rộng cột và hàng ở các biên ảnh khi chập Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 16
  1 0 1  1  2  1 H x   2 0 2 H y   0 0 0      1 0 1  1 2 1  Duplicate mở rộng cột và hàng ở các biên ảnh khi chập Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 17
  1 0 1  1  2  1 H x   2 0 2 H y   0 0 0      1 0 1  1 2 1  Duplicate mở rộng cột và hàng ở các biên ảnh khi chập Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 18
 Cho một mặt nạ và quay nó theo 8 hướng chính: N, NW, W, SW, S, SE, E, và NE.  Biên độ cạnh = Giá trị lớn nhất được tìm thấy khi chập (convolution) 8 mặt nạ với ảnh.  Hướng được xác định theo mặt nạ cho biên độ cạnh lớn nhất. Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 19
 Các mặt nạ Kirsch được xác định như sau:  3  3 5  3 5 5 5 5 5 5 5  3 E   3 0 5 NE   3 0 5  N   3 0  3 NW   5 0  3     3  3 5  3  3  3  3  3  3  3  3  3 5  3  3  3  3  3  3  3  3  3  3 5 W  5 0  3 SW   5 0  3 S   3 0  3 SE   3 0 5   5  3  3  5 5  3  5 5 5   3 5 5  Ví dụ: Nếu NE tạo biên độ cạnh lớn nhất, thì hướng cạnh là NE (Northeast) Bài giảng Xử lý ảnh - TS. Ngô Quốc Việt 20