Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Monica Holzmann Geändert vor über 8 Jahren
1
Institut für Eisenhüttenkunde Department of Ferrous Metallurgy Methoden der digitalen Bildverarbeitung zum Auffinden von fluoreszierenden Punkten auf Messproben Daniela Uvira
2
Übersicht Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 2 EingabebildNegativ
3
Begriffserklärung Graustufenbilder Farbtiefe –8 Bit (0-255) Histogramm –Verteilung von Grauwerten Beispielbild aus der Natur 3 Beispielsbild aus der Natur
4
Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 4 EingabebildNegativ
5
Motivation Die Abteilung für Werkstoffprüfung führt zur Ermittlung von Fließkurven mit hohen Dehnungen Bulgeversuche durch Ein Blech wird in einer Prüfmaschine eingespannt und mit einem kontinuierlich steigenden Öldruck verformt Ein Kamerasystem nimmt dabei fortlaufend Bilder der Probe auf Teilaufgabe: Finden der fluoreszierenden Punkte auf dem Kamerabild Zweck: Verfolgung der Verformung der Probe 5 Aufnahme eines Bleches in der Prüfmaschine während des Bulgeversuchs
6
Phasen der digitalen Bildverarbeitung Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 6 EingabebildNegativ
7
Phasen der digitalen Bildverarbeitung Objekte im Bild sollen klassifiziert werden Mehrere Phasen bis zum Ergebnis notwendig –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation Phasen müssen nacheinander abgearbeitet werden 7
8
Bildvorverarbeitung Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 8 EingabebildNegativ
9
Bildvorverarbeitung Zuständig für die Aufbereitung der Bilddaten Je besser die Bildaufnahme ist, desto weniger muss in der Bildvorverarbeitung getan werden Hauptaufgaben: –Kontrastverbesserung –Rauschminderung Methoden kann man in drei Kategorien unterteilen: –Bildpunktoperationen –Lokale Nachbarschaftsoperationen –Globale Nachbarschaftsoperationen 9
10
Bildvorverarbeitung Mittels Transformation der Grauwerte oder der Grauwerthäufigkeiten kann der Kontrast verbessert werden Beispielmethoden: –Histogrammebnung –Look-Up-Tables –Dehnung der Grauwertskala 10 Kontrastverbesserung Kontrastarmes Bild
11
Bildvorverarbeitung 00 …… 120 131 141 …… 100 39 101 40 102 41 …… 200 157 201 158 …… 255 Homogene Grauwerttransformation Lokale Bildpunktoperationen Tabelle muss nur einmal am Anfang der Transformation generiert werden Anschließend müssen nur noch die neuen Grauwerte nachgeschaut werden 11 Look-Up-Tables A (x, y) = Lut (E (x, y)) = E (x, y)²/255
12
Bildvorverarbeitung 12 Look-Up-Tables – Quadratische Kennlinie A (x, y) = E (x, y)²/255 EingabebildNach der Bearbeitung
13
Bildvorverarbeitung 13 Look-Up-Tables – Wurzelkennlinie A (x, y) = Sqrt(E (x, y)*255) EingabebildNach der Bearbeitung
14
Bildvorverarbeitung Gibt Auskunft über die Grauwertverteilung innerhalb eines Bildes –Belichtung –Dynamik –Kontrast eines Bildes Um ein Histogramm zu erstellen, werden für alle Grauwerte die Anzahl der Bildpunkte mit diesem Grauwert ermittelt 14 Histogramme
15
Bildvorverarbeitung Mittels einfacher Geradengleichung kann die Dehnung beschrieben werden Steigung stellt den Kontrast dar Schnittpunkt mit der y-Achse steht für die Helligkeit Je steiler die Gerade, desto größer ist die Dehnung 15 Dehnung der Grauwertskala
16
Bildvorverarbeitung 16 Dehnung der Grauwertskala
17
Bildvorverarbeitung Rauschen ist ein dem Bild überlagertes, zufällig Signal Rauschen verändert die Bildinformationen Glättungsfilter minimieren das Rauschen –Gauß-Filter –Mittelwertfilter –Medianfilter Lokale Nachbarschaftsoperationen 17 Rauschunterdrückung Verrauschtes Bild
18
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: 18 Mittelwertfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild
19
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt 19 Mittelwertfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild
20
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt –Die Mitte ist der gerade betrachtete Punkt 20 Mittelwertfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild
21
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt –Die Mitte ist der gerade betrachtete Punkt –Der Mittelwert wird errechnet 21 Mittelwertfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild Mittelwert = (1+1+1+1+255+1+1+1+1)/9 = 29
22
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt –Die Mitte ist der gerade betrachtete Punkt –Der Mittelwert wird errechnet –Der Mittelwert der betrachteten Nachbarschaft wird der neue Grauwert des gerade betrachteten Bildpunkt 22 Mittelwertfilter 11111 1255111 11111 11111 29 Eingabebild Ausgabebild Mittelwert = (1+1+1+1+255+1+1+1+1)/9 = 29
23
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt –Die Mitte ist der gerade betrachtete Punkt –Der Mittelwert wird errechnet –Der Mittelwert der betrachteten Nachbarschaft wird der neue Grauwert des gerade betrachteten Bildpunkt 23 Mittelwertfilter 11111 1255111 11111 11111 29 Eingabebild Ausgabebild Mittelwert = (1+255+1+1+1+1+1+1+1)/9 = 29
24
Bildvorverarbeitung Rechnet den Mittelwert einer lokalen Nachbarschaft aus Beispiel: –Es wird eine 3x3 Matrix als Nachbarschaft gewählt –Die Mitte ist der gerade betrachtete Punkt –Der Mittelwert wird errechnet –Der Mittelwert der betrachteten Nachbarschaft wird der neue Grauwert des gerade betrachteten Bildpunkt –Der Rand bleibt frei, da Nachbarn fehlen Man erkennt, dass die Rauschpunkte starken Einfluss auf die lokalen Nachbarn nehmen Kanten werden verfälscht 24 Mittelwertfilter 11111 1255111 11111 11111 29 1 1 Eingabebild Ausgabebild
25
Bildvorverarbeitung 25 Mittelwertfilter Bild mit RauschenBild nach Verwendung des Mittelwertfilter
26
Bildvorverarbeitung Durchführung ähnlich wie der Mittelwertfilter Errechnet wird der Median der Nachbarschaft 26 Medianfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild
27
Bildvorverarbeitung Durchführung ähnlich wie der Mittelwertfilter Errechnet wird der Median der Nachbarschaft 27 Medianfilter 11111 1255111 11111 11111 Eingabebild Ausgabebild Sortierte Reihe: 1, 1, 1, 1, 1, 1, 1, 1, 255
28
Bildvorverarbeitung Durchführung ähnlich wie der Mittelwertfilter Errechnet wird der Median der Nachbarschaft 28 Medianfilter 11111 1255111 11111 11111 1 Eingabebild Ausgabebild Sortierte Reihe: 1, 1, 1, 1, 1, 1, 1, 1, 255
29
Bildvorverarbeitung Durchführung ähnlich wie der Mittelwertfilter Errechnet wird der Median der Nachbarschaft 29 Medianfilter 11111 1255111 11111 11111 1 1 Eingabebild Ausgabebild Sortierte Reihe: 1, 1, 1, 1, 1, 1, 1, 1, 255
30
Bildvorverarbeitung Durchführung ähnlich wie der Mittelwertfilter Errechnet wird der Median der Nachbarschaft Rauschpunkte werden entfernt ohne dass sie Einfluss auf die Nachbarschaft nimmt Kanten werden nicht beeinflusst 30 Medianfilter 11111 1255111 11111 11111 111 111 Eingabebild Ausgabebild
31
Bildvorverarbeitung 31 Medianfilter Bild mit RauschenBild nach Verwendung des Medianfilters
32
Segmentierung Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 32 EingabebildNegativ
33
Segmentierung Ist zuständig für die Trennung von Hintergrund und Objekt Ergebnis ist ein Binärbild Unterteilung in: –Kantenbasierte Segmentierung –Bereichswachstums- verfahren 33 Eingabebild mit hervorgehobener Blume
34
Kantenbasierte Segmentierung Verwendet Diskontinuitätskriterien Es kann zu Untersegmentierung kommen Eingabebild wird zeilen- oder spaltenweise betrachtet Die Graustufenwerte der Punktreihen werden als Funktionswerte interpretiert Anschließend ist eine Konturpunktverkettung notwendig Bereichswachstums- verfahren Verwendet Homogenitätskriterien Es kann zu Übersegmentierung kommen Unterschiedliche Methoden –Schwellenwertverfahren –Bereichswachstums- verfahren mit Startpunkt –Bereichswachstums- verfahren ohne Startpunkt 34 Segmentierung
35
Benötigt ein bimodales Histogramm Schwelle wird definiert Oft sind Histogramme nicht bimodal Grauwerte eines Objektes sowie des Hintergrund unterliegen oft einer Verteilungsfunktion –Bestimmung der optimalen Schwelle 35 Schwellenwertverfahren
36
Merkmalsextraktion Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 36 EingabebildNegativ
37
Merkmalsextraktion Benötigt Ergebnisse der Segmentierung Ermittelt in Bildern Merkmale von Objekten Mittels dieser Merkmale können später die Objekte klassifiziert werden Verschiedene Arten von Merkmalen gibt es: –Textur-Merkmale –Farbmerkmale –Geometrische Merkmale die Fläche der Umfang die Form der Geometrischer Schwerpunkt 37
38
Klassifikation Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 38 EingabebildNegativ
39
Klassifikation Ordnet Bildobjekte Klassen zu –Merkmale werden als Vektoren dargestellt –Nahe beieinander liegende Vektoren deuten auf ähnliche Vektoren hin Hauptaufgabe ist zusammengehörige Vektoren zu identifizieren Wichtig ist die Auswahl signifikanter Merkmale zur Klassifikation –Mittelwert und Streuung sind einfache Beispiele, um die Signifikanz eines Merkmals zu bestimmen –Beispiel: Unterscheidung zwischen großen und kleinen Objekten Mittelwert der Fläche des kleinen Objektes ist 15 Pixel Mittelwert der Fläche des großen Objektes ist 50 Pixel Beide haben eine Streuung von +-5 So kann man deutlich unterscheiden welches Objekt groß oder klein ist 39
40
Klassifikation Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 40 EingabebildNegativ
41
Anwendung in der Werkstoffprüfung Bildvorverarbeitung –Kontrastverbesserung fällt weg –Geeigneter Glättungsfilter: Medianfilter Segmentierung –Bei der Aufgabe sind kantenbasierte Segmentierung und das Bereichswachstumsverfahren mit Startpunkten ungeeignet –Zwei geeignete Möglichkeiten 1.Schwellenwertverfahren mit anschließender speziellen Trennung durch ein Bereichswachstumsverfahren für Binärbilder 2.Bereichswachstumsverfahren ohne Startpunkte 41
42
Anwendung in der Werkstoffprüfung Merkmalsextraktion –Zur Problemstellung reicht es die Fläche, die Form und den geometrischen Schwerpunkt pro Punkt zu errechnen Klassifikation –Nicht unbedingt notwendig –Man muss lediglich unterscheiden ob es sich beim gefundenen Objekt um einen fluoreszierenden Punkt handelt oder nicht 42
43
Fazit und Ausblick Motivation Phasen der digitalen Bildverarbeitung –Bildvorverarbeitung –Segmentierung –Merkmalsextraktion –Klassifikation –Anwendung in der Werkstoffprüfung Ausblick 43 EingabebildNegativ
44
Ausblick –Neue Software für das Mess-System schreiben –Daten aus dem Mess-System auslesen –Position der fluoreszierenden Punkte im 3-dimensionalen Raum ermitteln –Bewegung der Punkte im 3-dimensionalen Raum nachvollziehen –Übergabe der errechneten Daten an eine bestehende, externe Software –Möglichst in Echtzeit (zur besseren Regelung) 44
45
Danke für Ihre Aufmerksamkeit! 45
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.