Proseminar K.I. - Bildverstehen

Präsentation zum Thema: "Proseminar K.I. - Bildverstehen"—  Präsentation transkript:

1 Proseminar K.I. - Bildverstehen
David Bräuer

2 Inhalt des Seminars 1. Allgemeine Einführung 2. Vorgehensweise
3. Bildverarbeitung 3.4 Kantenerkennung 3.5 Segmentierung 4. Merkmale von Objekten 5.Anwendungsgebiete

3 1. Allgemein Einführung 1.1 Begriff: Bildverstehen
1.2 Merkmale & Ziele 1.3 Beispiel: Abhängigkeit an Fragestellung (1.4 Fragestellung an heutige Systeme)

4 1.1 Begriff: Bildverstehen
(engl. „image understanding“, „computer vision“) Visuelle Informationen analysieren und interpretieren (z.B. Bild[er]) Def.: „Bildverstehen ist die Rekonstruktion und Deutung einer Szene anhand von Bildern“

5 1.2 Merkmale & Ziele Zählt zu einer der schwierigsten Teilgebiete der Informatik Komplexe Algorithmen Ausgehend der Fragestellung und des Bildes eine Beschreibung liefern

6 1.3 Beispiel: Abhängigkeit an Fragestellung
1. Geschehen - Person geht zum PKW 2. Objekte - 1 Person, 1 PKW 3. Grundformen - 24 Strecken, 5 Kreise 4. Bildtyp - Binärbild Erklärung hängt von Fragestellung ab

7 2. Vorgehensweise 2.1 Modell der Bildanalyse nach Marr
2.2 Gesamtmodell der Bildanalyse nach Pinz

8 2.1 Modell der Bildanalyse nach Marr
Enthält alle relevanten Informationen Reduziert die große Datenmenge sinnvoll z.B. Kanten, Elemente Tiefeninformation, Form- und Geometriekonstruktion Schlüsse über verdeckte Teile ziehen, Szenenbeschreibung

9 2.2 Gesamtmodell der Bildanalyse nach Pinz
Welt: Objekte mit physikalischen Eigenschaften Szene: 3D-Ausschnitt der Welt zu einem bestimmten Zeitpunkt Bild: 2D-Projektion der Szene Bildbeschreibung: beschreibt Segmente und Kanten Szenenbeschreibung: interpretiert Informationen aus Bildbeschreibung Weltbeschreibung: je nach Fragestellung wird das Bild beschrieben

10 2.2 Gesamtmodell der Bildanalyse nach Pinz
Szenenauswahl: Was/Wann soll betrachtet werden Aufnahme: Wie soll betrachtet werden Bildsegmentierung: Bildver- besserung, erkennen v. Kanten Bildanalyse:gruppieren einfacher geometrischer Objekte Höhere Bilddeutung: Bewegungsabläufe Interaktion: Veränderung der Umwelt durch System

11 3. Bildverarbeitung 3.1 Ziele der Bildverarbeitung 3.2 Operationen
3.3 HSV-Farbraum 3.4 Kantenerkennung 3.4.1 Kantenverdünnung 3.4.2 Skelettierung 3.5 Segmentierung 3.5.1 Punkorientierte Verfahren

12 3.1 Ziele der Bildverarbeitung
Bildverbesserung (Korrektur von Bildfehlern) Kantendetektion Segmentierung, Unterteilung in homogene Bereiche Erste Bildanalyse

13 3.2 Operationen Punktoperation Lokale Operationen Globale Operationen
Bildpunkt des Eingabebilds wird zu einem Bildpunkt des Ausgabebilds Lokale Operationen Bildpunkte um einen Punkt werden zu einem Bildpunkt des Ausgabebilds Globale Operationen Alle Bildpunkte werden zu einem Bildpunkt des Ausgabebilds

14 3.3 HSV-Farbraum Einfachere Verwendung als RGB-Farbraum Hue (Farbwert)
Saturation (Sättigung) Value (Helligkeit)

15 3.3 HSV-Farbraum Vorteil gegenüber dem RGB-Farbraum macht sich wie folgt deutlich: R: 35 H: 100 G: 165 S: 166 B: 81 V: 100 R: 145 H: 100 G: 255 S: 255 B: 184 V: 200 R: 124 H: 100 G: 186 S: 79 B: 146 V: 155 R: 21 H: 100 G: 219 S: 210 B: 92 V: 120 R: 56 H: 100 G: 84 S: 51 B: 66 V: 70

16 3.4 Kantenerkennung 30 60 -1 4

17 3.4 Kantenerkennung 30 60 -1 4 Berechnung:
4 Berechnung: 0*30 + (-1)*30 + 0*30 + (-1)*30 + 4*30 + (-1)*30 + 0*30 + (-1)*30 + 0*30 = 0

18 3.4 Kantenerkennung 30 60

19 3.4 Kantenerkennung 30 60 -30

20 3.4 Kantenerkennung 30 60 -30

21 3.4 Kantenerkennung -30 30 -30 30 -30 30 -30 30 -30 30 -30 30
-30 30 -30 30 -30 30 -30 30 -30 30 -30 30 Kante gefunden!

22

23 3.4.1 Kantenverdünnung Entfernen der doppelten und mehrfachen Bildpunkte auf einer Zeile oder Spalte. Gut geeignet für Segmentierung

24 3.4.2 Skelettierung Algorithmus von Lü und Wang
3x3 – Maske wird auf Matrix gelegt P ist der zu überprüfende Punkt P1 P2 P3 P8 P P4 P7 P6 P5 1 Bsp.:

25 3.4.2 Skelettierung 1 1 1 A(P) = 1 B(P) = 3 => Punkt löschen

26 3.5 Segmentierung Unterteilung in Segmentierungsobjekte mit bestimmten Eigenschaften Unterteilung erfolgt anhand des Grauwerts, Textur o.ä. (Homogenitätskriterium) Bessere Aufteilung durch Kantenerkennung

27 3.5 Segmentierung Bild mit 5 Segmenten getrennt durch Grauwertunterscheidung

28 3.5 Segmentierung Verfahren zur Segmentierung:
Punktorientierte Verfahren Kantenorientierte Verfahren Regionenorientierte Verfahren Regelbasierte Verfahren

29 3.5.1 Punktorientierte Verfahren
Ob ein Bildpunkt zu einem Segment gehört hängt von Grauwert oder Farbe ab Schwellwertverfahren einfaches Mittel zur Bildsegmentierung Ausgabe ist in dem Falle ein Binärbild

30 4. Merkmale von Objekten 4.1 Fläche eines Segments 4.2 Umfang eines Segments

31 4. Merkmale von Objekten Interpretationsverfahren notwendig
Merkmale beschreiben Charakteristik der Segmente Segmente müssen bekannt sein Berechnung verschiedener Werte der Segmente

32 4. Merkmale von Objekten Bild Segmente Merkmale Objekte

33 4.1 Fläche eines Segments 2 Verfahren zur Berechnung: Zählen der Pixel
Gauß‘sche Flächenformel

34 4.2 Umfang eines Segments Auch hier 2 Möglichkeiten
Abzählen der Randpixel Freemancode

35 5. Anwendungsgebiete Zeichenerkennung Qualitätsprüfung in der Indutrie
Medizinische Bildanalyse Luftaufnahmen Fahrzeugsteuerung Gesichtserkennung

36 Ende der Präsentation Quellen
Buch „Bildanalyse“ von Dr. Johannes Steinmüller ISBN