Proseminar K.I. - Bildverstehen David Bräuer 15.06.2011

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

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

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“

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

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

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

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

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

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

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

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

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

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

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

3.4 Kantenerkennung 30 60 -1 4

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 + -30 + 0 + -30 + 120 + -30 + 0 + -30 + 0 = 0

3.4 Kantenerkennung 30 60

3.4 Kantenerkennung 30 60 -30

3.4 Kantenerkennung 30 60 -30

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!

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

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.:

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

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

3.5 Segmentierung Bild mit 5 Segmenten getrennt durch Grauwertunterscheidung

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

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

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

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

4. Merkmale von Objekten Bild Segmente Merkmale Objekte

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

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

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

Ende der Präsentation Quellen Buch „Bildanalyse“ von Dr. Johannes Steinmüller ISBN 978-3-540-79742-5 http://www.uni-forst.gwdg.de/~wkurth/bia09_v01.doc http://www.rn-wissen.de/index.php/Bildverarbeitung_Tutorial http://www.kreissl.info/bilderkennung.php http://www-gs.informatik.tu-cottbus.de/bia_v08.pdf