tiểu luận môn xử lý ảnh nâng cao ngưỡng

TIỂU LUẬN MÔN XỬ LÝ ẢNH NÂNG CAO : NGƯỠNG Vì tính trực quan và đơn giản thực hiện, ngưỡng hình ảnh một vị trí trung tâm trong các ứng dụng của phân vùng ảnh. Đơn giản ngưỡng lần đầu tiên được giới thiệu trong phần 3.1, và chúng ta đã sử dụng nó trong các cuộc thảo luận khác nhau trong các chương trước. Trong phần này, chúng tôi giới thiệu ngưỡng một cách chính thức hơn và mở rộng nó để kỹ thuật mà là đáng kể tổng quát hơn những gì đã được trình bày cho đến nay. 10.3.1 Nền tảng Giả sử rằng biểu đồ màu xám cấp hình. 10.26 (a) tương ứng với một hình ảnh, f (x, y), bao gồm các đối tượng ánh sáng trên một nền tối, trong một cách mà đối tượng và nền pixel có mức xám nhóm lại thành hai chế độ chi phối. Một cách rõ ràng để trích xuất các đối tượng từ nền là để chọn một ngưỡng T phân cách các chế độ này. Sau đó bất kỳ điểm (x, y) mà f (x, y) > T được gọi là một điểm đối tượng: nếu không, các điểm được gọi là một điểm nền. Đây là loại ngưỡng giới thiệu trong phần 3.1. Hình 10.26 (a) biểu đồ màu xám cấp có thể được phân chia bởi (a) một ngưỡng duy nhất, và (b) nhiều ngưỡng. Hình 10.26 (b) cho thấy một trường hợp hơi tổng quát hơn của phương pháp này, nơi ba chế độ thống trị đặc trưng cho biểu đồ hình ảnh (ví dụ, hai loại đối tượng ánh sáng trên nền tối). Đây, ngưỡng đa phân loại một điểm (x, y) là thuộc về một lớp đối tượng nếu T1 <(x, y) <T2, cho lớp đối tượng khác nếu f (x, y)> T2, và nền nếu f (x, y) <T3. Nói chung, vấn đề phân chia nhỏ đòi hỏi nhiều ngưỡng được giải quyết tốt nhất sử dụng phương pháp phát triển khu vực, chẳng hạn như những thảo luận trong phần 10.4. Dựa trên các cuộc thảo luận trước đó, ngưỡng có thể được xem như là một hoạt động có liên quan đến việc kiểm tra đối với một chức năng T của mẫu T = T [x, y, p (x, y), f (x, y)] ( 10.3-1) trong đó f (x, y) là mức xám của điểm (x, y) và p (x, y) biểu thị một số bất động sản địa phương của điểm-cho ví dụ này, mức độ màu xám trung bình của một khu phố tập trung vào (x, y) . Một hình ảnh ngưỡng g (x, y) được định nghĩa là ( 10.3-2) Do đó, các điểm ảnh được dán nhãn 1 (hoặc bất kỳ cấp độ màu xám tiện lợi khác) tương ứng với các đối tượng trong khi pixel nhãn 0 (hoặc bất kỳ cấp độ xám khác không giao cho đối tượng tương ứng với nền. Khi T chỉ phụ thuộc vào f (x, y) (có nghĩa là, chỉ có trên các giá trị màu xám cấp) ngưỡng được gọi là toàn cầu Nếu T phụ thuộc vào cả hai f (x, y) và p (x, y), ngưỡng được gọi là cục bộ .Ngoài ra, T phụ thuộc vào các tọa độ không gian x và y ngưỡng được gọi là động hay thích nghi. 10.3.2 Vai trò của độ sáng Tại mục 2.3.4 chúng tôi giới thiệu một mô hình đơn giản trong đó hình ảnh của f (x, y) được hình thành như là sản phẩm của một phản xạ thành phần r (x, y) và lan độ sáng thành phần i (x, y). Mục đích của việc này phần là sử dụng mô hình này để thảo luận về một thời gian ngắn ảnh hưởng của ánh sáng trên ngưỡng, đặc biệt là trên ngưỡng toàn cầu. Xem xét các máy tính chức năng phản xạ tạo ra hình. 10.27 (a) Các biểu đồ của chức năng này, thể hiện trong hình. 10,27 (b), rõ ràng là hai mốt và có thể được phân chia dễ dàng bằng cách đặt một ngưỡng toàn cầu duy nhất, T, trong thung lũng biểu đồ. Nhân chức năng phản xạ trong hình. 10.27 (a) bởi chức năng chiếu sáng trong hình, 10,27 (c) sản lượng hình ảnh hiển thị trong hình. 10,27 (d). Hình 10.27 (e) cho thấy biểu đồ của hình ảnh này. Lưu ý rằng các thung lũng ban đầu đã được hầu như bị loại, làm cho phân chia bởi một ngưỡng duy nhất một nhiệm vụ không thể. Mặc dù chúng ta hiếm khi có chức năng phản xạ của chính nó để làm việc với, minh hoạ đơn giản này cho thấy tính chất phản chiếu của các đối tượng và hình nền có thể được như vậy mà họ có thể dễ dàng tách rời. Tuy nhiên, các kết quả hình ảnh từ nghèo (trong trường hợp này không đồng dạng) chiếu sáng có thể được khá khó khăn để phân đoạn. Lý do tại sao các biểu đồ trong hình. 10.27 (e) như vậy là bị biến dạng có thể được giải thích với trợ giúp của việc thảo luận trong Phần 4.5. Từ biểu thức. (4.5-1) f(x,y)=i(x,y) r (x,y) (10.3-3) Lấy logarit tự nhiên của phương trình là tổng : z(x, y) = ln (x, y) = ln i(x, y) + ln r(x, y) (10.3-4) = i '(x, y) + r’(x, y). Từ lý thuyết xác suất Papoulis [1991] ) , nếu i '( x, y) và r' ( x, y) là các biến ngẫu nhiên độc lập , các biểu đồ của z ( x, y) được cho bởi chập của các biểu đồ của i '( x, y) và r' ( x, y) . Nếu i (x , y) không đổi, i'( x, y) sẽ là liên tục cũng có, và biểu đồ của nó sẽ là đơn giản ( như một xung ) . Phép chập của hàm này với biểu đồ mức xám của r ' ( x, y) sẽ để lại hình dạng cơ bản của biểu đồ này không thay đổi ( thu hồi từ các cuộc thảo luận tại mục 4.2.4 mà chập của một chức năng với một xung tương tự các chức năng tại địa điểm của xung ) . Nhưng nếu i '( x, y) đã có một biểu đồ rộng hơn (do sự không đồng dạng chiếu sáng ) , quá trình chập sẽ làm bẩn các biểu đồ mức xám của r' ( x, y) , cho ra một biểu đồ cho z { x, y } có hình dạng khá khác so với biểu đồ mức xám của r'( x, y) . Mức độ biến dạng phụ thuộc vào bề ngang của biểu đồ của i '( x, y) , do đó phụ thuộc vào sự không giống nhau của các hàm về độ sáng . Chúng ta đã xử lý với logarit của f (x, y), thay vì đối phó với các chức năng chụp ảnh trực tiếp, nhưng bản chất của vấn đề được giải thích rõ ràng bằng cách sử dụng logarit để tách các thành phần chiếu sáng và phản xạ. Cách tiếp cận này cho phép hình thành biểu đồ được xem như là một quá trình tích chập, điều này giải thích lý do tại sao một khe khác biệt trong biểu đồ của các hàm phản xạ có thể bị mờ bởi ánh sáng không phù hợp. Khi truy cập vào các nguồn chiếu sáng có sẵn, một giải pháp thường được sử dụng trong thực tế để bù cho những phần không giống là dự án mô hình chiếu sáng trên một bề mặt phản chiếu màu trắng liên tục. Điều này mang lại một hình ảnh g (x, y) = ki (x, y), với k là một hằng số mà phụ thuộc vào bề mặt và i (x, y) là pattern.Then chiếu sáng, cho bất kỳ hình ảnh của f (x, y ) = i (x, y) r (x, y) thu được với chức năng chiếu sáng như nhau, chỉ đơn giản là chia f (x, y) bởi g (x, y) mang lại một chức năng bình thường hóa h (x, y) = f (x , y) / g (x, y) = r (x, y) / k. Vì vậy, nếu r (x, y) có thể được phân đoạn bằng cách sử dụng một T ngưỡng duy nhất, sau đó h (x> y) có thể được phân đoạn bằng cách sử dụng một ngưỡng giá trị duy nhất của T / k. 10.3.3 Ngưỡng toàn cầu cơ bản Với tham chiếu đến các cuộc thảo luận trong mục 10.3.1, đơn giản nhất trong tất cả các kỹ thuật ngưỡng là phân vùng biểu đồ hình ảnh bằng cách sử dụng một ngưỡng toàn cầu duy nhất, T, như minh họa trong hình. 10.26 (a). Phân khúc sau đó được thực hiện bằng cách quét các điểm ảnh hình ảnh của điểm ảnh và ghi nhãn mỗi điểm ảnh như đối tượng hoặc nền, tùy thuộc vào mức độ màu xám của điểm ảnh đó là lớn hơn hoặc thấp hơn giá trị của T. Như nêu ở trên, sự thành công của phương pháp này phụ thuộc toàn bộ trên như thế nào biểu đồ có thể được phân chia. Hình 10.28 (a) cho thấy một hình ảnh đơn giản, và hình. 10,28 (b) cho thấy biểu đồ hình của nó 10,28 (c) cho thấy kết quả của việc phân chia hình. 10,28 (a) bằng cách sử dụng một ngưỡng T nằm giữa các cấp độ màu xám tối đa và tối thiểu. Ngưỡng này đạt được một "clean" phân khúc bằng cách loại bỏ bóng tối và chỉ để lại các đối tượng tự. Các đối tượng quan tâm trong trường hợp này là tối hơn nền, do đó bất kỳ điểm ảnh với một mức độ màu xám ≤ T đã được dán nhãn màu đen (0)., Và bất kỳ điểm ảnh với một mức độ màu xám> T đã được dán nhãn trong khi (255). mục tiêu chính là chỉ ly để tạo ra một hình ảnh nhị phân, vì vậy mối quan hệ đen-trắng có thể bị đảo ngược. Loại ngưỡng toàn cầu vừa mô tả có thể được dự kiến sẽ được thành công trong môi trường kiểm soát cao. Một trong những lĩnh vực mà điều này thường có thể là trong các ứng dụng kiểm tra công nghiệp, nơi kiểm soát của ánh sáng thường có tính khả thi. Ngưỡng trong ví dụ trên đã được xác định bằng cách sử dụng một phương pháp tiếp cận heuristic, dựa trên quan sát bằng mắt của thuật toán sau đây histogram.Có thể được sử dụng để có được T tự động: 1. Chọn một ước tính ban đầu cho T. 2. Phân khúc hình ảnh sử dụng T.This sẽ sản xuất hai nhóm điểm ảnh: G1con ¬ sisting của tất cả các điểm ảnh với giá trị mức xám> T và G2 bao gồm các điểm ảnh với giá trị ≤ T. 3. Tính toán các giá trị mức xám trung bình μ1 và μ2 cho các điểm ảnh trong vùng G1 và G2 4. Tính toán một giá trị ngưỡng mới: T = )21( 2 1 µµ + 5. Lặp lại các bước 2 thông qua 4 cho đến khi sự khác biệt trong T trong lần lặp kế tiếp nhỏ hơn một tham số được xác định trước T0. Khi có lý do để tin rằng nền và đối tượng chiếm khu vực so sánh trong các hình ảnh, giá trị ban đầu tốt cho T là mức xám trung bình của hình ảnh. Khi đối tượng là nhỏ so với các khu vực bị chiếm đóng bởi nền (hoặc ngược lại), sau đó một nhóm các điểm ảnh sẽ chiếm ưu thế trong biểu đồ và mức độ màu xám trung bình không phải là một sự lựa chọn tốt ban đầu. Một giá trị ban đầu thích hợp hơn cho T trong trường hợp như thế này là một giá trị giữa chừng giữa các cấp độ màu xám tối đa và tối thiểu. T 0 các tham số được sử dụng để ngăn chặn các thuật toán sau khi thay đổi trở nên nhỏ về thông số này. Này được sử dụng khi tốc độ lặp đi lặp lại là một vấn đề quan trọng. EXAMPLE 10.11: Image segmentation using an estimated global threshold. Hình 10.29 cho thấy một ví dụ về phân đoạn dựa trên một ngưỡng ước tính bằng cách sử dụng thuật toán trước đó. Hình 10.29 (a) là hình ảnh ban đầu, và hình. 10.29 (b) là biểu đồ hình ảnh. Lưu ý các khe rõ ràng của biểu đồ. Áp dụng các thuật toán lặp đi lặp lại dẫn đến một giá trị 125,4 sau khi ba lần lặp lại bắt đầu với mức độ trung bình và màu xám T 0 = 0. Kết quả thu được sử dụng T = 125 phân đoạn hình ảnh ban đầu được thể hiện trong hình. 10.29 (c). Như đã phân định rõ ràng các chế độ trong biểu đồ, các phân hóa giữa các đối tượng và hình nền là rất hiệu quả. 10.3.4 Thresholding thích ứng cơ bản Như minh họa trong Fig.10.27 yếu tố hình ảnh như chiếu sáng không đồng đều có thể chuyển đổi một biểu đồ hoàn hảo segmentable vào một biểu đồ mà không thể được phân chia một cách hiệu quả bởi một ngưỡng toàn cầu duy nhất. Một cách tiếp cận để xử lý một tình huống như vậy là để phân chia hình ảnh ban đầu vào subimages và sau đó sử dụng một ngưỡng khác nhau để phân đoạn mỗi subimage . Các vấn đề quan trọng trong cách tiếp cận này là làm thế nào để chia nhỏ các hình ảnh và làm thế nào để ước tính ngưỡng cho mỗi subimage kết quả. Kể từ khi ngưỡng sử dụng cho mỗi điểm ảnh phụ thuộc vào vị trí của các điểm ảnh trong các điều khoản của subimages, loại hình này là ngưỡng thích nghi Chúng tôi minh họa ngưỡng thích nghi với một ví dụ đơn giản. Một ví dụ toàn diện hơn được đưa ra trong phần tiếp theo. Hình 10.30 (a) cho thấy hình ảnh từ hình. 10,27 (d), mà chúng tôi kết luận không thể ngưỡng hiệu quả với một ngưỡng toàn cầu duy nhất. Trong hình. 10.30 (b) cho thấy kết quả của ngưỡng hình ảnh với một ngưỡng toàn cầu tự đặt trong khe của biểu đồ của nó [xem hình. 10,27 (e)]. Một cách tiếp cận để giảm hiệu ứng của sự không đồng dạng chiếu sáng là để chia nhỏ các hình ảnh vào subimages nhỏ hơn, như vậy mà sự chiếu sáng của mỗi subimage khoảng thống nhất. Hình 10.30 (c) cho thấy một phân vùng như vậy, thu được bằng cách phân chia hình ảnh thành bốn phần bằng nhau, và sau đó phân chia từng phần bằng bốn lần nữa. Tất cả các subimages không chứa một ranh giới giữa đối tượng và nền đã có chênh lệch dưới 75. Tất cả subimages chứa ranh giới có chênh lệch vượt quá 100. Mỗi subimage với phương sai lớn hơn 100 là phân đoạn với một ngưỡng tính toán cho rằng subimage sử dụng thuật toán thảo luận trong các giá trị của phần trước.The trước cho Tín từng trường hợp được chọn làm điểm giữa chừng giữa các cấp độ màu xám tối thiểu và tối đa trong subimage. Tất cả subimages với phương sai nhỏ hơn 100 được coi là một hình ảnh tổng hợp, đó là phân đoạn sử dụng một ngưỡng đơn ước tính bằng cách sử dụng cùng một thuật toán. Kết quả của phân khúc sử dụng thủ tục này được thể hiện trong hình. 10.30 (d). Ngoại trừ hai subimages, sự cải thiện trên hình. 10.30 (b) là điều hiển nhiên. Ranh giới giữa đối tượng và nền trong mỗi subimages không đúng phân đoạn nhỏ và tối, và biểu đồ kết quả là gần như unimodal. Hình 10.31 (a) cho thấy đầu không đúng cách phân đoạn subimage từ hình. 10.30 (c) và subimage trực tiếp trên nó. đó là phân đoạn đúng. Các biểu đồ của subimage đó là đúng phân đoạn rõ ràng là hai đỉnh, đỉnh điểm rõ ràng và thung lũng. Các biểu đồ khác là gần như unimodal, không có phân biệt rõ ràng giữa các đối tượng và nền Hình 10.31 (d) cho thấy subimage không được chia nhỏ thành subimages nhỏ hơn nhiều, và hình. 10.31 (e) cho thấy biểu đồ của hàng đầu, trái nhỏ subimage.This subimage có sự chuyển tiếp giữa đối tượng và nền. Subimage này nhỏ hơn có một biểu đồ rõ ràng hai mốt và phải được dễ dàng segmentable. Điều này, trên thực tế, là trường hợp, như thể hiện trong hình. 10.31 (f). Con số này cũng cho thấy các phân đoạn của tất cả các subimages nhỏ khác. Tất cả những subimages có một biểu đồ gần unimodal, và mức độ màu xám trung bình của họ là gần hơn với đối tượng hơn nền, vì vậy tất cả chúng được xếp vào nhóm đối tượng. Nó là trái như một dự án để cho người đọc thấy rằng phân khúc đáng kể chính xác hơn có thể đạt được bằng cách phân chia toàn bộ hình ảnh trong hình. 10.30 (a) vào subimages của kích thước hình. 10.31 (d) Ngưỡng tối ưu và thích ứng toàn cầu Trong phần này, chúng tôi thảo luận về phương pháp ước lượng ngưỡng đầu ra tối thiểu lỗi phân vùng trung bình . Như một minh hoạ, phương pháp này được áp dụng cho một vấn đề đòi hỏi phải có giải pháp của một số vấn đề quan trọng tìm thấy thường xuyên trong các ứng dụng thực tế của ngưỡng Hình 10.31 (a) subimages phân đoạn đúng và không đúng từ hình, 10.30. (b) - (c) biểu đồ tương ứng, (d) chia nhỏ hơn nữa của subimage phân đoạn không đúng , (e) Histogram của subimage nhỏ ở đầu , trái, (f) Kết quả phân chia thích nghi (d) Giả sử rằng một hình ảnh chỉ chứa hai vùng màu xám cấp chính. Cho z biểu thị giá trị màu xám cấp. Chúng ta có thể xem các giá trị như số lượng ngẫu nhiên, và biểu đồ của họ có thể được coi là một ước tính hàm mật độ xác suất (PDF), p (z). Hàm mật độ tổng thể này là tổng hợp hoặc hỗn hợp của hai mật độ. một cho ánh sáng và một cho các vùng tối trong hình ảnh. Hơn nữa, các thông số hỗn hợp là tỷ lệ thuận với khu vực tương đối của các vùng tối và sáng. Nếu hình thức của mật độ được biết đến hoặc đã thừa nhận, nó có thể xác định một ngưỡng tối ưu (về lỗi tối thiểu) để phân chia hình ảnh thành hai khu vực riêng biệt. Hình 10.32 cho thấy hai hàm mật độ xác suất. Cho rằng lớn hơn mô tả các mức độ màu xám của các đối tượng trong hình ảnh. Hàm mật độ xác suất hỗn hợp mô tả các biến thể màu xám cấp tổng thể trong hình ảnh là p(z) = P 1 p 1 (z) + P 2 p 2 (z) (10.3-5) Đây, P1 và P2 là xác suất của sự xuất hiện của hai lớp của điểm ảnh, đó là, P1 là xác suất (một số) mà một điểm ảnh ngẫu nhiên với giá trị z là một điểm ảnh đối tượng. Tương tự như vậy, P2 là xác suất mà các điểm ảnh là một điểm ảnh nền. Chúng tôi giả định rằng bất kỳ điểm ảnh được thuộc về một trong hai đến một đối tượng hoặc nền, do đó P1 + P2 = 1 Một hình ảnh là phân đoạn bằng cách phân loại như nền tất cả các pixel có mức xám lớn hơn một ngưỡng T (xem hình. 10,32). Tất cả các điểm ảnh khác được gọi là điểm ảnh đối tượng. Mục tiêu chính của chúng tôi là chọn giá trị của T là giảm thiểu các lỗi trung bình trong việc đưa ra các quyết định mà một điểm ảnh được thuộc về một đối tượng hoặc nền. Nhớ lại rằng xác suất của một biến ngẫu nhiên có giá trị trong khoảng [a, b] là bộ của hàm mật độ xác suất của nó từ a đến b, đó là khu vực của đường cong PDF giữa hai giới hạn này. Như vậy, xác suất lỗi phân loại một điểm nền là một điểm đối tượng là E 1 (T) = (10.3-7) Đây là khu vực dưới đường cong của p 2 (z) bên trái của ngưỡng. Tương tự như vậy, xác suất lỗi phân loại một điểm đối tượng như nền E 2 (T) = (10.3-8) which is the area under the curve of p 1 (z) to the right of T. Then the overall probability of error is E(T) = P 2 E 1 (T) + P 1 E 2 (T) (10.3-9) Lưu ý rằng số lượng E 1 và E 2 quan trọng (tầm quan trọng nhất định) bởi xác suất xuất hiện của các đối tượng hoặc ảnh nền. Cũng lưu ý rằng các kí hiệu trái ngược nhau. Đây đơn giản để giải thích. Xem xét, ví dụ, trường hợp cực đoan, trong đó điểm nền được biết đến không bao giờ xảy ra. Trong trường hợp này P 2 = 0. Đóng góp cho sự lỗi tổng thể (E) phân loại một điểm nền là một điểm đối tượng (E 1 ) nên bị lỗi ngoài vì điểm nền được biết đến không bao giờ xảy ra. Này được thực hiện bằng cách nhân E 1 bởi P 2 = 0. Nếu nền và đối tượng điểm đều có khả năng xảy ra, thì trọng lượng là P 1 = P 2 = 0,5. Để tìm giá trị ngưỡng mà lỗi này là tối thiểu yêu cầu phân biệt E (T) đối với T (sử dụng quy tắc Leibniz) và tương đương với kết quả là 0. Kết quả là P 1 p 1 (T) = P 2 p 2 (T) (10.3-10) Phương trình này được giải quyết cho T để tìm ra ngưỡng tối ưu. Lưu ý rằng nếu P1 = P2, sau đó ngưỡng tối ưu là nơi mà các đường cong cho p1 (z) và p2 (z) giao nhau (xem hình, 10.32). Có được một biểu hiện phân tích cho T đòi hỏi chúng ta biết các phương trình cho hai file PDF. Ước tính các mật độ trong thực tế không phải lúc nào cũng khả thi, và một cách tiếp cận được sử dụng thường là sử dụng mật độ có các tham số hợp lý đơn giản để có được. Một trong những mật độ chính được sử dụng theo cách này là mật độ Gauss, được đặc trưng hoàn toàn bởi hai thông số: giá trị trung bình và phương sai. Trong trường hợp này: p(z) = + (10.3-11) nơi and là giá trị trung bình và phương sai của mật độ Gauss của một lớp học của các điểm ảnh (nói, các đối tượng) và and là giá trị trung bình và phương sai của các lớp khác. Sử dụng phương trình này trong các giải pháp chung của phương trình. (10.3- 10) kết quả trong các giải pháp sau đây đối với ngưỡng T A + BT + C = 0 (10.3-12) Khi đó A = B = (10.3-13) C = + Từ một phương trình bậc hai có hai giải pháp có thể, hai giá trị ngưỡng có thể được yêu cầu để có được những giải pháp tối ưu. Nếu phương sai bằng nhau ngưỡng duy nhất là đủ: T = (10.3-14) Thay vì giả định một hình thức chức năng cho p (z), một cách tiếp cận có nghĩa là vuông lỗi tối thiểu có thể được sử dụng để ước tính một hỗn hợp màu xám PDF cấp một hình ảnh từ các hình ảnh từ biểu đồ. Ví dụ, lỗi vuông trung bình giữa (liên tục) hỗn hợp mật độ p (z) và (rời rạc) hình ảnh biểu đồ h (z i ) là e ms = (10.3-15) nơi một biểu đồ n-điểm được giả định. Lý do chính cho việc đánh giá mật độ hoàn thành là để xác định có hay không có chế độ chiếm ưu thế trong các file PDF. Ví dụ, hai chế độ chi phối cho thấy sự hiện diện của các cạnh trong hình ảnh (hoặc khu vực) trong đó các file PDF được tính Nói chung, phân tích xác định các thông số để giảm thiểu lỗi này hình vuông có nghĩa không phải là một vấn đề đơn giản. Ngay cả đối với các trường hợp Gaussian, tính toán đơn giản của tương đương các đạo hàm riêng đến 0 dẫn đến một tập hợp các phương trình siêu việt đồng thời thường chỉ có thể được giải quyết bằng thủ tục số, [...]... đầu tiên về phân chia bởi ngưỡng tối ưu trong xử lý hình ảnh Ví dụ này là đặc biệt thú vị tại điểm này bởi vì nó cho thấy kết quả phân đoạn có thể được cải thiện bằng cách sử dụng các kỹ thuật tiền xử lý dựa trên các phương pháp phát triển trong cuộc thảo luận của chúng ta về nâng cao hình ảnh Ngoài ra, ví dụ này cũng minh họa việc sử dụng các biểu đồ dự toán địa phương và ngưỡng thích nghi Các vấn... thảo luận phân chia dựa trên ba khái niệm chính: (a) phát hiện các bất liên tục, (b) ngưỡng, và (c) xử lý khu vực Mỗi phương pháp đã được tìm thấy để có lợi thế (ví dụ, tốc độ trong trường hợp ngưỡng toàn bộ) và bất lợi (ví dụ, sự cần thiết phải xử lý sau, chẳng hạn như cạnh liên kết, trong các phương pháp dựa trên phát hiện các bất liên tục trong mức độ màu xám) Trong phần này chúng ta thảo luận một... hình ảnh (x, y, ti) ) và f (x, y, tj) chụp ở những thời ti, và tj, tương ứng, là so sánh hai hình ảnh từng pixel Một thủ tục để làm điều này là để tạo thành một hình ảnh khác biệt Giả sử chúng ta có một hình ảnh tài liệu tham khảo chỉ chứa các thành phần đứng yên So sánh các bức ảnh với một hình ảnh tiếp theo của ảnh nhưng trong đó có một đối tượng chuyển động, kết quả trong sự khác biệt của hai hình ảnh. .. chuỗi các khung hình ảnh của f(x, y, t1) , f(x, y, t2) ,………… f(x, y, tn) và để cho f (x, y, t1) là hình ảnh tham khảo Một hình ảnh khác biệt tích lũy (ADI) được hình thành bằng cách so sánh hình ảnh thông tin này với tất cả các hình ảnh tiếp theo trong chuỗi Một truy cập cho mỗi vị trí điểm ảnh trong hình ảnh tích lũy được tăng lên mỗi khi có một sự khác biệt xảy ra ở vị trí điểm ảnh giữa các tài liệu... (x, y) trong phương trình (10,6-1) trải rộng kích thước của những hình ảnh này, để hình ảnh khác biệt di j(x, y) cũng có cùng kích thước như những hình ảnh trong dãy Trong xử lý hình ảnh động, tất cả các điểm trong di j (x,y) với giá trị 1 được coi là kết quả của chuyển động đối tượng Phương pháp này là chỉ áp dụng nếu hai hình ảnh đã được đăng ký theo không gian và nếu chiếu sáng là tương đối ổn... tích các hình ảnh vệ tinh sử dụng đất phụ thuộc nhiều vào việc sử dụng màu sắc Vấn đề này sẽ là khó khăn hơn, hoặc thậm chí không thể, để xử lý mà không có thông tin vốn có sẵn trong hình ảnh màu sắc Khi những hình ảnh đơn sắc, phân tích khu vực phải được thực hiện với một bộ mô tả dựa trên mức độ màu xám và thuộc tính không gian (chẳng hạn như những khoảnh khắc hoặc kết cấu) Chúng tôi thảo luận về mô... thảo tự động ranh giới của tâm thất trái tim trong cardioangiograms (hình ảnh X-quang của một trái tim đã được tiêm một chất cản quang) Phương pháp thảo luận ở đây được phát triển bởi Chow và Kaneko [1972] cho phác thảo ranh giới của tâm thất trái của tim Trước khi phân khúc, tất cả các hình ảnh được tiền xử lý như sau: (1) Mỗi điểm ảnh được ánh xạ với một chức năng đăng nhập (xem Phần 3.2.2) để chống... trước và sau khi tiền xử lý (một lời giải thích của các khu vực được đánh dấu A và B được đưa ra trong đoạn sau) Để tính toán ngưỡng tối ưu, mỗi hình ảnh xử lý trước được chia thành 49 khu vực bằng cách đặt một 7 x 7 lưới với 50% chồng lên nhau trên mỗi hình ảnh (tất cả các hình ảnh ban đầu thể hiện trong ví dụ này có kích thước 256 x 256 pixel) Mỗi phòng trong số kết quả các khu vực chồng chéo 49 chứa... để lọc hình ảnh với một bộ lọc làm mịn Đây là một tiền xử lý thích hợp trong các trường hợp đặc biệt Giả sử chúng ta xác định đánh dấu nội bộ trong trường hợp này là (1) một khu vực được bao quanh bởi điểm cao hơn "độ cao" , (2) sao cho các điểm trong khu vực tạo thành một thành phần kết nối, và (3) trong đó tất cả các điểm trong thành phần kết nối có cùng một giá trị mức xám Sau khi hình ảnh đã được... Các ngưỡng tối ưu đã được sau đó thu được bằng cách sử dụng EQS (10,3-12) và (10,3-13) Ở giai đoạn này của quá trình chỉ các khu vực với biểu đồ hai mốt được phân ngưỡng Các ngưỡng cho các khu vực còn lại đã thu được bằng cách nội suy các ngưỡng này Sau đó, một suy thứ hai được thực hiện từng điểm bằng cách sử dụng các giá trị ngưỡng lân cận do đó, vào cuối các thủ tục, tất cả các điểm trong hình ảnh . TIỂU LUẬN MÔN XỬ LÝ ẢNH NÂNG CAO : NGƯỠNG Vì tính trực quan và đơn giản thực hiện, ngưỡng hình ảnh một vị trí trung tâm trong các ứng dụng của phân vùng ảnh. Đơn giản ngưỡng lần. 10,27 (d), mà chúng tôi kết luận không thể ngưỡng hiệu quả với một ngưỡng toàn cầu duy nhất. Trong hình. 10.30 (b) cho thấy kết quả của ngưỡng hình ảnh với một ngưỡng toàn cầu tự đặt trong. chia bởi ngưỡng tối ưu trong xử lý hình ảnh. Ví dụ này là đặc biệt thú vị tại điểm này bởi vì nó cho thấy kết quả phân đoạn có thể được cải thiện bằng cách sử dụng các kỹ thuật tiền xử lý dựa