Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

1/90 Segmentierung The whole is greater than the sum of its parts. Max Wertheimer 10.

Ähnliche Präsentationen


Präsentation zum Thema: "1/90 Segmentierung The whole is greater than the sum of its parts. Max Wertheimer 10."—  Präsentation transkript:

1 1/90 Segmentierung The whole is greater than the sum of its parts. Max Wertheimer 10

2 2/90 Inhalt Einführung Bildverarbeitungssystem Segmentierung Kantenbasiert Kantendetektion Konturverfolgung Modellbasiert Hough – Transformation Pixelorientiert Regionenbasiert Region Growing Split & Merge Wasserscheide

3 3/90 Einführung Ziel 1. Unterscheidung von Teilbildern/Inhalte 2. Automatische Klassifikation jedes Inhalts Beispiele Medien – Schrifterkennung Biometrie – Erkennung von Personen Produktionsanlagen – Identifizierung von Teilen Medizin – Identifizierung von Zellen/Gewebe Umwelt – Auswertung von Luftaufnahmen

4 4/90 Beispiele

5 5/90 Einführung Segmentierung Zusammenfassen von Punkten zu größeren Einheiten Unterteilung des Bildes in zusammenhängende Bereiche, Bildsegmente Klassifizierung Zuweisung von Bereichen in Objektklassen Segmentierung ist der erste Schritt der erkennenden Bildverarbeitung Segmentierung ist eines der komplexesten Kapitel der Bildverarbeitung !

6 6/90 Schritte der Bildverarbeitung

7 7/90 Bildverarbeitungssystem Stufen eines Bildverarbeitungssystems Bilderfassung Bildvorverarbeitung Segmentierung Merkmalsextraktion Klassifikation

8 8/90 Objekte werden mit Sensorik erfasst Nur erfasste Eigenschaften können ausgewertet werden 1: Bilderfassung

9 9/90 2: Bildvorverarbeitung Bildmodifikation, welche den Informationsgehalt nicht bedeutend ändert Beispiele: Beleuchtungskorrekturen Rauschreduzierung Kontrasterhöhung Größenanpassung

10 10/90 Gegeben Bild B mit Bildpunkten f 1,..., f n GesuchtRegionen R i für die gilt: 3: Segmentierung

11 11/90 Merkmale beschreiben Eigenschaften von Objekten Einfache Merkmale Umschreibendes Rechteck Mittlerer Intensität Flächeninhalt Schwerpunkt Umfang Abgeleitete Merkmale Kompaktheit Lage, Orientierung 4: Merkmalsextraktion

12 12/90 5: Klassifizierung Klassifizierung von Objekten anhand ihrer Merkmale Notwendige Voraussetzung Merkmalsanalyse / Clustering des Merkmalraums Beispiel

13 13/90 Einfache/Heuristische Vorgehensweise Durch a-priori-Wissen Segmente identifizieren / ausschließen Segmente kleiner N Pixel werden ignoriert Segmente außerhalb des Area-Of-Interest / Region-Of-Interest werden ignoriert Größenverhältnis Farbe 6: Erfassung von Objekten

14 14/90 Segmentierung

15 15/90 Gegeben Bild B mit Bildpunkten f 1,..., f n GesuchtRegionen R i für die gilt: Segmentierung

16 16/90 Strategien Diskontinuität Kanten Ähnlichkeit Schwellwert (lose Punkte) Wachstumsverfahren (Regionen)

17 17/90 Segmentierung durch Detektion von Diskontinuitäten

18 18/90 Detektion von Diskontinuitäten Detektion von scharfen, lokalen Änderungen der Bildintensität Kantenpunkte Kanten entstehen durch die Verbindung von Kantenpunkten

19 19/90 Detektion von Diskontinuitäten Punkte-Detektoren

20 20/90 Detektion von Linien Linien-Detektoren

21 21/90 Detektion von Linien Laplace AbsolutePositive

22 22/90 Kantenbasierte Verfahren Kanten entsprechen häufig den Konturen der gesuchten Objekte Im Gegensatz zu punktbasierten Verfahren werden die gesuchten Objekte nicht als Fläche, sondern als Umrandung extrahiert Verarbeitungsschritte Hochpaß Konturverfolgung Konturverdünnung / Skelettierung / Thinning Bestimmung der umrandeten Gebiete

23 23/90 Kantentypen

24 24/90 Kantentypen

25 25/90 Reele Kanten

26 26/90 Kantenextraktion Bild Profil einer horizontalen Linie Erste Ableitung Zweite Ableitung Extremum Nulldurchgang

27 27/90 Kantenextraktion Berechnung der Ableitung in jedem Pixel: Ableitungsfilter 1. Ordnung (Roberts) Ableitungsfilter mit einfacher Mittelwertbildung (Prewitt, Sobel) Ableitungsfilter 2. Ordnung (Laplace) Ableitungsbilder werden (mittels Schwellwert) binarisiert

28 28/90 A B C D Beispiele A: Original B: Prewitt C: Sobel D: Laplace

29 29/90 Einfluß von Rauschen Var = 0.1 Var = 1 Var = 10

30 30/90 LoG Operator

31 31/90 Kantendetektion Sobel LoGSchwellwertZero Cross

32 32/90 Konturverfolgung: Canny Ziel Binärbild mit möglichst geschlossenen Konturen Einfaches Vorgehen Von Startpunkt aus wird der nächste Konturpunkt entlang eines Suchstrahls identifiziert Richtung ergibt sich aus bereits erhaltenen Punkten oder dem Gradienten Nachteil Einmalige Fehlberechnung führt zu falscher Kontur

33 33/90 Orientierung der Normale

34 34/90 Konturverfolgung Kante Gradient Hinter grund x y f(x,y) (Grauwert) Suchrichtung senkrecht zum Gradienten Objekt

35 35/90 Gradient vs Log vs Canny

36 36/90 Hough Transformation Ziel: Globale Linienerkennung Transformiert das Segmentierungsproblem im Bildraum in ein Finden von lokalen Maxima (Punkte) im Parameterraum Man habe n Punkte vorsegmentiert Suche Submengen dieser Punkte, welche auf Geraden liegen

37 37/90 Hough Transformation Bildraum Parameterraum Hough-Raum Im Parameterraum wird jeder Punkt des Bildraums durch eine Gerade abgebildet Punkte, die auf einer Gerade liegen, schneiden sich an einer Stelle (Fächern)

38 38/90 Hough Transformation Für einen beliebigen Punkt (x i, y i ) im Bild gilt: y i = ax i + b Es gibt unendlich viele a & b, welche die Gleichung erfüllen b = -x i a + y i in der ab Ebene alle a & b liegen auf einer Gerade Die ab-Geraden von ko-linearen Punkten schneiden sich!

39 39/90 Geraden Detektion Finde alle Kanten im Bild (= Hochpaß, Menge von Punkten) Unterteile den Parameterraum in Zellen Für jeden detektierten Punkt (x k, y k ) im Bild: Setze a i zu einem Zellenwert aus i = (i min, i max ) Löse b i = -x k a i + y k und finde b i Inkrementiere entsprechende (a i, b i ) Zelle

40 40/90 Hough Transformation Bildraum Parameter- raum Akkumulator y x k d

41 41/90 Hessesche Normalenform: Parameter (Radon Transformation) Hough Transformation x y ´ p´

42 42/90 Hough Transformation Punkte im Bildraum bilden sich auf Sinus-Kurven im Parameterraum ab Alle Sinus-Kurven ko-linearer Punkte schneiden sich an einer Stelle

43 43/90 Hough Transformation

44 44/90 Hough Transformation

45 45/90 Hough Transformation

46 46/90 Hough Transformation

47 47/90 Hough Transformation Original KantenbildHough-RaumErgebnis

48 48/90 Hough Transformation

49 49/90 Hough Transformation Verhalten Robust gegenüber unterbrochenen Linien: Wert wird zwar verringert, lokales Maximum bleibt Bei verrauschten Linien: Cluster mit hohen Werten anstatt diskretes Maximum

50 50/90 Hough Transformation

51 51/90 Segmentierung durch Detektion von Ähnlichkeiten

52 52/90 Schwellwertverfahren Global: T fester Grauwert Dynamisch/adaptiv: T hängt von der Position innerhalb des Bildes ab Lokal: T hängt von den lokalen Grautönen ab (z.B. lokalen Mittelwert)

53 53/90 Verfahren Schwellwertverfahren Bereichswachstum Split-and-merge Wasserscheide

54 54/90 Punktorientierte Segmentierung Einfacher Schwellwert T (Threshold) = Segmentierung aufgrund der Grauwertinformation

55 55/90 Multi-modale Histogramme

56 56/90 Punktorientierte Segmentierung

57 57/90 Punktorientierte Segmentierung 12 3

58 58/90 Rauscheneinfluß Var = 10Var = 50

59 59/90 Rauschentfernung & Schwellwert

60 60/90 Rauschentfernung in kleinen Regionen

61 61/90 Gradient & lokale Histogramme

62 62/90 Beleuchtungseinfluß

63 63/90 Beleuchtungseinfluß Erweiterung auf multimodale Histogramme

64 64/90 Beleuchtungseinfluß

65 65/90 Adaptives Schwellwertverfahren

66 66/90 Adaptives Schwellwertverfahren

67 67/90 Adaptives Schwellwertverfahren

68 68/90 Adaptives Schwellwertverfahren

69 69/90 Adaptives Schwellwertverfahren

70 70/90 Lokaler Schwellwert

71 71/90 Regionenbasierte Verfahren Ziel Aufteilung des Bildes in Zonen maximaler Homogenität (Grauwert, Farbe, etc.) Verfahren Bottom up: Region Growing Top Down: Split & Merge Vorteil Information über Nachbarschaft Robuster bei verrauschten Bildern

72 72/90 Ausgehend von n-Ursprungspixel (Saatzellen, seed points) werden andere Pixel, die ein Homogenitätskriterium erfüllen, aggregiert Region Growing R1R1 R2R2 R3R3

73 73/90 Parameter Anzahl & Position der Startpunkte Homogenitätskriterium Intensität Farbe Statistiken, Textur Stopp Regelung Lokale Kriterien: Grauton/Farbe, Textur Regionsgröße und –Form (Addaptive) Ähnlichkeit zu der Region

74 74/90 Region Growing 1.Setzen von n Seed Points (Initiale Regionen) - Zufällig - Aufgrund von Beurteilung des Bildinhalts 2.Untersuchung der 4 (oder 8)-Nachbarschaft Fall1: Punkt gehört zu keiner Region & H.-Krit. erfüllt Zuordnung zur Region Fall2: Punkt gehört zu keiner Region & H.-Krit. nicht erfüllt Keine Zuordnung Fall3: Punkt gehört bereits zu einer anderen Region & Homogenitätskriterium erfüllt Regionen werden vereinigt Fall4: Punkt gehört bereits zu einer anderen Region & Homogenitätskriterium nicht erfüllt Keine Vereinigung 3.Wiederhole 1 und 2 bis keine Änderungen mehr eintreten

75 75/90 Region Growing Originalbild Segmentiertes Bild

76 76/90 Region Growing Seeds: Maximum Grautöne DG < 255, 8-connected

77 77/90 Region Growing Problem Wahl der Seed Points Wahl des Homogenitätskriteriums Formulierung des Stop-Kriteriums Vorteile Einfache Erweiterbarkeit auf 3D Eleganteste Lösung multimodaler Historgamme Nachteile Unterschiedliche Seed Points können zu vollständig anderen Segmentierungen führen Anzahl der Regionen muß vorher festgelegt werden

78 78/90 Split & Merge Unterteilung und Verbindung von Bereichen in Quadrate entsprechend einem Homogenitäts- kriterium. Beispiele für Homogenitätskriterium: Grau-/Farbwerte identisch/ähnlich Grau-/Farbwerte im gleichen Intervall Grau-/Farbwerte ähnlich verteilt (Momentum, Textur)

79 79/90 Split & Merge Split Region R i, wenn: P(R i )=false Merge angrenzende und homo- gene Regionen R i und R j, wenn: P(R i R j )=true Rekursionen beendet, wenn kein weiteres Unterteilen / Vereinigen mehr möglich ist

80 80/90 Split & Merge Quadtree

81 81/90 Split Merge Gefahr von Overgrowing – zu viele Regionen Undergrowing – zu wenige Regionen

82 82/90 Split & Merge Eliminierung von kleinen Regionen infolge Overgrowing: Suche die kleinste / eine kleine Region R i Finde die benachbarte Region R n zu der R i unter Berücksichtigung des Homogenitätskriteriums am besten paßt und vereinige diese Diese Schritte werden so lange wiederholt, bis alle Regionen eine vorgegebene Mindestgröße besitzen

83 83/90 Split & Merge 32 ² 16² 8²

84 84/90 Wasserscheide Segmentierung

85 85/90 Wasserscheide Segmentierung

86 86/90 Damm Konstruktion Finde letzten Schritt vor Vereinigung M 1 und M 2 Finde vereinigte Menge q Dilatiere M 1 und M 2 : Strukturelement platziert nur in q Keine Dilatation an Stellen, welche M 1 und M 2 vereinigen Damm sind die übrig gebliebenen Pixel innerhalb von q

87 87/90 Wasserscheide Segmentierung auf Gradientenbild

88 88/90 Über-Segmentierung der Gradientenbilder

89 89/90 Marker Konstruktion 1. Tiefpaßfilterung 2. Vereine Nachbarpunkte gleichen Grautons = seeds 3. Wasserscheide auf den Seeds 4. => Unterteilung des Gesamtbildes in Zellen 5. Gradient des Gesamtbildes 6. Wasserscheide lokal in jeder Zelle

90 90/90 Marker-Boundaries

91 91/90 Markers Berücksichtigung von a-priori Wissen oder Kontext über das Bild Größe Form Position Orientierung Relative Abstände Textur etc. etc.

92 92/90 Wissen Berücksichtigung

93 93/90 Modellbasiertes Segmentieren Berücksichtigung von a priori Informationen über Art und Aussehen der zu segmentierenden Objekte Mensch besitzt ein Modell des Objektes im Kopf, das Segmentieren vereinfacht: Die Kreisausschnitte werden zu durchgehenden Strecken ergänzt

94 94/90 Thinning Ziel Eliminierung von kurzen Kanten hervorgerufen durch Rauschen Verdünnung von Kanten Geforderte Eigenschaften Dünnes Skelett (möglichst nur 1 Pixel) Skelett zusammengehöriger Kanten soll zusammenhängen Beibehaltung der absoluten und relativen Größen

95 95/90 Übergang Detektion Übergang: - zu + + zu – Innerhalb/außerhalb: 0 oder +

96 96/90 Thinning Scan-Line-Thinning Beschränkung auf eine Richtung (horiz./vertikal) Skelett als Mittelpunkt der Positionen Wechsel zw. Hintergrund und Objekt und Wechsel zw. Objekt und Hintergrund Seiteneffekt: Verschiebung des Skeletts zu einer Seite hin

97 97/90 Zhang/Suen-Algorithmus Thinning

98 98/90 Graphen-Kantenverfolgung Kosten = f max – (f i – f j ) = f max – f i + f j

99 99/90 Konturverfolgung X-Chromosom mit gefundener Kante


Herunterladen ppt "1/90 Segmentierung The whole is greater than the sum of its parts. Max Wertheimer 10."

Ähnliche Präsentationen


Google-Anzeigen