9/13/2013 H.R. POURREZA. Segmentation ع H.R. POURREZA

Transcript

1 1 ش د م: ع Segmentation ع. :... :.... 1

2 Segmentation ع 3 R R n R i n U R i i=1 = R R i R i R j = φ Q( R i ) = TRUE Q( Ri R j ) = FALSE ( Q) رو های ع 4

3 ه و وا ی 5... (.. ).. ه و وا ی 6 3

4 ع БR اساس ه 7 ) ( Boundary Detection ص را ون 8 ( ). 4

5 Boundary Detection ص را ون 9 :, :. : ( ).... ( ) :,. (Dynamic Programming).Contour Following ا ر يد ی ه Edge Relaxation 10 (Crack Edge) (C 0 (e)) : k=1 (Edge type) C k (e) C k (e) k=k

6 ا ر يد ی ه Edge Relaxation 11 () ا ر يد ی ه Edge Relaxation 1 () :1 :0 :3 : 6

7 ا ر يد ی ه Edge Relaxation 13 () 0.1 q h a b a e c f h g m=max(a,b,c,q) Conf(0)=(m-a)(m-b)(m-c) Conf(1)=a(m-b)(m-c) Conf()=ab(m-c) Conf(3)=abc c b a ا ر يد ی ه Edge Relaxation 14 () Conf(j) j. q : (Conf) δ C k+1 (e)=max(0,c k (e)-δ) C k+1 (e)=min(1,c k (e)+δ) C k+1 =C k 7

8 ا ر يد ی ه Edge Relaxation 15 () و وا ی ی ه 16,. 8

9 و وا ی ی ه 17. و وا ی ی ه 18 : End-point. end-point T ) end-point. end-point ( 9

10 و وا ی ی ه 19.,.. Fitting БRازش ل خاص ی با ش را ون ن

11 Fitting БRازش ل خاص ی با ش را ون ن 1 () ( ) Hough ل و بد БRازش.... y=mx+c : (x-a) + (y-b) = r : (m,c) (x,y) (a,b,r) (x,y) 11

12 ص ط -Hough ل بد 3 y c c = mx 1 + y 1 ( x, y ) ( 1 x 1, y ) c = mx + y y = mx + c x c = mx + y m ص ط -Hough ل بد 4 A(m,c) c=- A(m,c) (x 1, y 1 ) mx 1 + y 1 A(m,c) 1

13 ص ط -Hough ل بد 5 c HT m ص ط -Hough ل بد 6 c m 13

14 ص ط -Hough ل بد 7 ص ط -Hough ل بد 8 m 14

15 ص ط -Hough ل بد 9 m (m,c) (r,θ) r θ ص ط -Hough ل بد 30 (r,θ) 15

16 ص ط -Hough ل بد 31 (r,θ) ص ط -Hough ل بد 3 : ( ) ( ) 16

17 ص ط -Hough ل بد 33 0 ( ) ص ط -Hough ل بد 34 : f ( x, y) = ( s( x, y), θ ( x, y)) : A(m,c) : : m=tan(θ(x,y)) c= -mx+y g(x,y) A(m,c)=A(m,c)+g(x,y) A(m,c) 17

18 ص داRه -Hough ل بد 35 ( x a) + ( y b) = r : A(a,b,r)... ص داRه -Hough ل بد 36 18

19 ص داRه -Hough ل بد 37. A(a,b,r) : f ( x, y) = ( s( x, y), θ ( x, Y )) a = x + r cos( θ ) b = y + r sin( θ ). A(a,b,r) م یا ه Hough ل بد 38.. (x c, y c ). R. ( ) 19

20 م یا ه Hough ل بد 39 θ 1 r 1 1 r 1 r 1 3 r 1 n θ r 1 r r 3 r n θ 3 r 3 1 r 3 r 3 3 r 3 n θ m r 1m r m r 3m r m n م یا ه Hough ل بد 40 : R A(X cmin :X cmax, Y cmin :Y cmax ) : θ(x,y) A Y c X c θ r X = x + r( θ)cos( α( θ )) Y = y + r( θ )sin( α( θ )) c c A 0

21 Hough ل بد 41 : : Contour Following را ون ي ری 4 1

22 ع ه 43 :. : ( ) ( ) کلاس ندی Thresholding 44 )... (... :.. () 1 () 0 T = T f ) T = T( f, f ) ( c

23 Thresholding 45.a.b.c.d Thresholding 46 1 g( i, j) = 0 for for f ( i, j) T f ( i, j) < T 1 g( i, j) = 0 for f ( i, j) D otherwise Band Thresholding.. 3

24 Thresholding 47 g( i, j) = 1 = = 3 for for for K = n for = 0 otherwise f ( i, j) D, f ( i, j) D, f ( i, j) D, f ( i, j) D, f ( i, j) for f ( i, j) T g( i, j) = 0 for f ( i, j) < T Multiple Thresholding 1 3 n Semi-thresholding رو های ن قدا ر ا تا 48 (p-tile thresholding) ( ) Bimodal Multimodal 4

25 رو های ن قدا ر ا تا БR اساس و ام 49 رو های ن قدا ر ا تا БR اساس و ام 50 5

26 رو های ن قدا ر ا تا БR اساس و ام 51 a a d T=7 d (a (b (c (d (e (f رو های ن قدا ر ا تا БR اساس و ام 5 6

27 رو های ن قدا ر ا تا БR اساس و ام 53 رو های ن قدا ر ا تا БR اساس و ام 54 Peakiness Detection Algorithm d g j g i d. g k g j g i Peakiness=min{H(g i ),H(g j )}/H(g k ) Peakiness (g i,g j,g k ) T=g k 7

28 رو های ن قدا ر ا تا БR اساس و ام 55 R R 1 µ µ 1 R R 1 T=(µ 1 +µ )/ رو های ن قدا ر ا تا БR اساس و ام 56 Optimal Thresholding. Bimodal. ( (1 : 8

29 رو های ن قدا ر ا تا БR اساس و ام 57 () Optimal Thresholding T : : AT +BT+C=0 A = σ σ 1 1 B = ( µ σ µ σ ) 1 σ P1 C = σ1 µ σ µ 1 + σ 1σ ln σ P 1 :. P P 1 رو های ن قدا ر ا تا БR اساس و ام 58 () Optimal Thresholding : σ 1 =σ µ 1 + µ σ P1 T = + ln µ µ P 1 : P 1 =P T µ 1 + µ = 9

30 رو های ن قدا ر ا تا БR اساس و ام 59 () Optimal Thresholding :(Otsu) i Pi.. (1) k k. k P ( k = m( k) = k i= 0 ip i 1 ) k L = 1 i= 0 m G ip i [ mg P1 ( k) m( k)] σ B( k) = P k 1( k)[1 P1 ( k)]. p i i= رو های ن قدا ر ا تا БR اساس و ام 60 () Optimal Thresholding... (Otsu) 30

31 رو های ن قدا ر ا تا БR اساس و ام 61 رو های ن قدا ر ا تا БR اساس و ام

32 رو های ن قدا ر ا تا БR اساس و ام 63 : رو های ن قدا ر ا تا БR اساس و ام

33 رو های ن قدا ر ا تا БR اساس و ام 65 ( ) m m ) T ij (.1..3 رو های ن قدا ر ا تا БR اساس و ام 66 Double Thresholding R 1 R 1 ( ) T T =T+ε T 1 =T-ε ε : R R R 3 R R 1 T 1 : R 1 T T 1 : R T : R R 3 R R

34 Clustering ندی و 67 ثا ی از و ندی 68 34

35 و ندی 69 K-means Algorithm ( ) و ندی 70 K-means 35

36 و ندی 71 () K-means Clustering ندی و 7 ( ) K-means Algorithm Image Clusters on intensity Clusters on color 36

37 Clustering ندی و K-means Algorithm Image Clusters on color Clustering ندی و K-means Algorithm 37

38 Clustering ندی و K-means Algorithm و ندی 76 K-means

39 ع ی БR ر د وا ی 77. : (Local) (Global) : : x i x j x i : x j. : ع ی БR ر د وا ی 78 (Seed Points) : : :. 39

40 ع ی БR ر د وا ی 79. W l : 1 min( i, l j ). i l i W : W > l > T T W > T 3. l : ع ی БR ر د وا ی 80 40

41 ع ی БR ر د وا ی 81 : H ( Rk ) = T H ( Ri U R j ) = F k i j, ع ی БR ر د وا ی

42 ع ی БR ر د وا ی 83 :Morphological Watersheds (Flooding) ع ی БR ر د وا ی 84 :Morphological Watersheds 4

43 ع ی БR ر د وا ی 85 n-1 Morphological Watersheds ع ی БR ر د وا ی 86 g(x,y) Morphological Watersheds ( ) M i i C(M i ) n i C n (M i ) T[n]={(s,t) g(s,t)<n} T[n] R C[ n] =U C ( M ) n i= 1 i 43

44 ع ی БR ر د وا ی 87 g(x,y) Morphological Watersheds C[min+1]=T[min+1] Q C[n-1] C[n] qϵq[n].t[n] : q C[n-1] q : C[n-1] q C[n-1]. : C[n-1] q C[n-1] ع ی БR ر د وا ی 88 Morphological Watersheds 44

45 ع ی БR ر د وا ی 89 Morphological Watersheds Over-segmentation (Labeling) ب ز ی БR 90 45

46 БR ب ز ی با ا فاده از رنگ ا زی باب 91 1,,,, ارزیا ی ع 9 ) ( 46

47 ارزیا ی ع 93 MO M MO = ( A 1 + A ) (Hausdorff Dist. ) Border ( min d( a, )) h( A, B) = max b a A b B ( h( A, B), h( B, )) H ( A, B) = max A 47