Analýza textury. Radim Šára Centrum strojového vnímání FEL ČVUT. DZO, R. Šára

Podobné dokumenty
Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 39

Roman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30

Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 53

Aplikace 2: Hledání informativních příznaků pro rozpoznávání

Analýza textury sonografických obrazů difúzních procesů

ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ

Analýza a zpracování digitálního obrazu

Jasové transformace. Karel Horák. Rozvrh přednášky:

Prohledávání svazu zjemnění

Zpracování digitalizovaného obrazu (ZDO) - Segmentace

Modul 2: Analýza obrazu

Dálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU

Kybernetika a umělá inteligence, cvičení 10/11

Pokročilé operace s obrazem

DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH

Statistika II. Jiří Neubauer

Ekonometrie. Jiří Neubauer

Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky

OBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě

Šum a jeho potlačení. Michal Švanda. Astronomický ústav MFF UK Astronomický ústav AV ČR. Spektroskopie (nejen) ve sluneční fyzice LS 2011/2012

Přednáška 13 Redukce dimenzionality

Popis objektů. Karel Horák. Rozvrh přednášky:

NMAI059 Pravděpodobnost a statistika

Klasifikace a rozpoznávání. Extrakce příznaků

MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT

12. cvičení z PST. 20. prosince 2017

Obsah. Princip funkce zařízení Hardware. Fotografie. High-boost filtr Ekvalizace histogramu Adaptabilní prahový filtr

Problematika analýzy rozptylu. Ing. Michael Rost, Ph.D.

Statistická analýza jednorozměrných dat

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group

Úvod do zpracování signálů

NAIL072 ROZPOZNÁVÁNÍ VZORŮ

Počítače a grafika. Ing. Radek Poliščuk, Ph.D. Přednáška č.7. z předmětu

Zpracování digitalizovaného obrazu (ZDO) - Segmentace II

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

3. Metody analýzy časových řad v klimatologii

Pokročilé metody geostatistiky v R-projektu

Operace s obrazem I. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.

KOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.

SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky

NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe. Adam Novozámský (novozamsky@utia.cas.cz)

Č ást 2 Kompozice v nepravých barvách Datové formáty Neřízená klasifikace. Program přednášky

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Ing. Jan Buriánek. Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jan Buriánek, 2010

Publikace klasifikace zdravotního stavu lesa na bázi TM Landsat. Ústav pro hospodářskou úpravu lesů Brandýs nad Labem

UČENÍ BEZ UČITELE. Václav Hlaváč

Problematika snímání skla a kvalifikace povrchové struktury

Zpracování digitalizovaného obrazu (ZDO) - Popisy III

Operace s obrazem II

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík

Metody zvýrazňování obrazu III. Vícepásmová zvýraznění. Spektrální příznaky. Příznakový prostor. Podstata vícepásmových zvýraznění

Zpracování obrazů. Honza Černocký, ÚPGM

Testování statistických hypotéz

Apriorní rozdělení. Jan Kracík.

Úvod do optimalizace, metody hladké optimalizace

Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc

Princip pořízení obrazu P1

Fyzikální podstata DPZ

Protonační rovnováhy léčiv faktorovou analýzou a nelineární regresí absorbanční responzní plochy

Výběrové charakteristiky a jejich rozdělení

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Schéma identifikační procedury

Algoritmy a struktury neuropočítačů ASN - P11

NÁHODNÝ VEKTOR. 4. cvičení

Časové řady, typy trendových funkcí a odhady trendů

4 STATISTICKÁ ANALÝZA VÍCEROZMĚRNÝCH DAT

Statistika, Biostatistika pro kombinované studium. Jan Kracík

5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud

Mann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

ROZ1 - Cv. 3 - Šum a jeho odstranění ÚTIA - ZOI

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Kybernetika. Wiener 1948: Rok 2000:

Dálkový průzkum země vmikrovlnnéčásti spektra

Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence

Vlastnosti a modelování aditivního

AVDAT Geometrie metody nejmenších čtverců

KGG/STG Statistika pro geografy

CT-prostorové rozlišení a citlivost z

Analýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce

Pravděpodobnost a aplikovaná statistika

Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci

Definice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)

Bakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika. 1 Úvodní poznámky. Verze: 13. června 2013


Biofyzikální ústav LF MU Brno. jarní semestr 2011

Operace s obrazem. Biofyzikální ústav LF MU. Projekt FRVŠ 911/2013

SIGNÁLY A LINEÁRNÍ SYSTÉMY

Vektor náhodných veli in - práce s více prom nnými

Statistické metody v digitálním zpracování obrazu. Jindřich Soukup 3. února 2012

Reprezentace bodu, zobrazení

KOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7

Popisná statistika. Statistika pro sociology

Pravděpodobnost, náhoda, kostky

Statistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability

Odhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody

Prostorová variabilita

Transkript:

Analýza textury Radim Šára Centrum strojového vnímání FEL ČVUT 1999 DZO, R. Šára

DZO, R. Šára 1

Osnova prednášky 1. Co je to textura? 2. Motivační příklady. 3. Jak lze měřit vlastnosti textury? 4. Analytický popis textury. 5. Hlavní problémy v počítačovém vidění související s texturou DZO, R. Šára 2

Doporučená literatura Reference [1] Mihran Tuceryan and Anil K. Jain. Handbook of Pattern Recognition and Computer Vision, chapter Texture Analysis, pages 235 276. World Scientific, 1993. [2] R. M. Haralick and L. G. Shapiro. Computer and Robot Vision, volume 1, chapter Texture, pages 453 507. Addison-Wesley Publishing Company, 1993. DZO, R. Šára 3

Textura srst tráva štěrk korek textil pletená tkanina DZO, R. Šára 4

Co je to textura? Vlastnost obrazu opakující se struktura (tonální variace) má vlastní a nevlastní složku nefigurativní druh organizace oblasti počet primitiv je mnohem větší než jejich variabilita má výrazné statistické vlastnosti může se projevit na více úrovních rozlišení má charakteristické měřítko (i více než jedno) Neexistuje jednotná definice textury. DZO, R. Šára 5

Motivační příklad 1: zpracování družicových dat klasifikace stavu porostu Miami, FLA, Landsat 5 TM DZO, R. Šára 6

Motivační příklad 2: automatická vizuální inspekce kvality povrchové vady dřevěných dýh kvalita ovoce kvalita papíru kvalita textilu kvalita nátěru DZO, R. Šára 7

Motivační příklad 3: zpracování sonografických obrazů Podpora diagnózy štítné žlázy atrofická thyroitida příčný řez podélný řez diagnóza srdce diagnóza ledvin DZO, R. Šára 8

Dekomponovatelnost textury Textura: tonální primitiva (texely) měřítko prostorová struktura statistické vlastnosti Příklad: samotná primitiva nepopisují úplně * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # * * * * * * * * * * # # # # # # # # # # samotná struktura nepopisuje úplně DZO, R. Šára 9

Síla textury Slabé textury jsou nedekomponovatelné nebo mají nepravidelnou strukturu Silné textury jsou dekomponovatelné a mají výraznou strukturu Příklad: korelovaný šum borka tráva fasáda vzor pletená tkanina DZO, R. Šára 10

Vznik textury Fyzika odrazu světla na povrchu objektu s s+d ds ss d Složky vizuální textury 1. nerovnost povrchu nevlastní textura, závislá na osvětlení 2. pigmentace vlastní textura, nezávislá na osvětlení DZO, R. Šára 11

Jak lze měřit vlastnosti textury? 1. Tón a kontrast textury: histogram % of data points 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 % of data points 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 50 100 150 200 250 value 0 0 50 100 150 200 250 value E(I) = 113.2 E(I) = 49.4 std(i) = 46.3 std(i) = 25.0 statistika 1. řádu nepostihuje prostorovou strukturu Scottovo pravidlo pro volbu šířky intervalu h v histogramu h 5 σ n 1 4+q n počet měření, q dimenze histogramu, σ rozptyl měření DZO, R. Šára 12

Podobnost textury na základě histogramu Analýza sonogramu štítné žlázy χ 2 statistikou 25 20 % of data points 15 10 5 R S sonografický snímek 0 0 20 40 60 80 100 120 value histogramy dvou okének mapa podobnosti s obsahem modrého okénka χ 2 = i (R i S i ) 2 R i + S i DZO, R. Šára 13

Jak lze měřit vlastnosti textury? 2. Spektrum energie P (I) = F(I) 2 60 40 20 0 20 40 fládr dřeva 60 60 40 20 0 20 40 60 pletená tkanina 100 80 60 40 20 0 20 40 60 80 100 100 50 0 50 100 100 80 60 40 20 0 20 40 60 80 100 100 50 0 50 100 elektronový obraz polyetylénu DZO, R. Šára 14

Jak lze měřit vlastnosti textury? 2a. Charakteristické frekvence a směrovost ze spektra energie Ve fourierovské rovině v u v u texturní příznaky průměrováním přes určité oblasti spektra v praxi málokdy užitečné DZO, R. Šára 15

Jak lze měřit vlastnosti textury? 3. Velikost primitiva a periodicita: autokorelační funkce P = F 1 ( F(I) 2 ) štěrk 50 40 30 20 10 0 10 20 30 40 50 50 0 50 pletená tkanina 100 80 60 40 20 0 20 40 60 80 100 100 50 0 50 100 100 80 60 40 20 0 20 40 60 80 100 100 50 0 50 100 elektronový obraz polyetylénu DZO, R. Šára 16

Jak lze měřit vlastnosti textury? 4. Globální statistické vlastnosti struktury Statistická struktura 2. řádu: histogram kookurence Markovská náhodná pole 5. Lokální vlastnosti texelů Lokální momenty řádu (p, q) Waveletová analýza [ B. Julesz 1973 ]: Textury nejsou preatentivně rozlišitelné jsou-li jejich charakteristiky 2. řádu identické. DZO, R. Šára 17

Mimikry bělokur Lagopus leucurus platýs Bothus pantherhinus DZO, R. Šára 18

Histogram kookurence (kookurenční matice) Jak často se vyskytuje stejná konfigurace pixelů vzdálených o vektor (p, q). C (p,q) (i, j) = { (k, l) I(k, l) = i, I(k + p, l + q) = j } 1 1 0 0 1 1 0 0 0 0 2 2 0 0 2 2 obraz I C (0,1) (I) = 4 0 2 2 2 0 C (1,0) (I) = 0 0 2 4 2 0 0 2 0 2 0 2 lze zobecnit na silné textury DZO, R. Šára 19

Příklady histogramu kookurence obraz C (1,0) C (5,0) 1: nekorelovaný gausovský šum 2: silně korelovaný gausovský šum 3: štěrk 4: fasáda DZO, R. Šára 20

Haralickovy texturní příznaky (výběr) H 1 energie C 2 (i, j) i,j H 2 entropie i,j C(i, j) log 2 C(i, j) H 3 H 4 H 5 kontrast homogenita korelace i j C(i, j) i,j i,j C(i, j) 1 + i j cov(i, j C) std(i C) std(j C) spočteno pro C (1,0) obraz H 1 H 2 H 3 H 4 H 5 1 0.0001 13.3820 0.1116 0.9045 0.0004 2 0.0005 11.5175 0.0269 0.9742 0.9121 3 0.0515 10.0823 0.0673 0.9452 0.9082 4 0.0013 10.5117 0.0223 0.9800 0.9334 Jedna sada pro každou konfiguraci pixelů! [ Zucker 1980 ]: vybrat ten, který maximalizuje χ 2 (C). Lze zobecnit na silné textury. DZO, R. Šára 21

Lokální momenty obrazové funkce M pq = r r i p j q I(i, j) i= r j= r Realizace konvolučními maskami M 0,0 = 1 1 1 1 1 1 M 1,0 = 1 1 1 1 1 1 0 0 0 1 1 1 M 0,1 = 1 0 1 1 0 1 1 0 1 M 2,0 = 1 1 1 0 0 0 1 1 1 M 1,1 = 0 0 0 1 0 1 1 0 1 M 0,2 = 1 0 1 1 0 1 1 0 1 Alternativa: gáborovská analýza DZO, R. Šára 22

Hlavní problémy v počítačovém vidění související s texturou klasifikace (viz diagnóza štítné žlázy) segmentace (viz segmentace suků ve dřevě) (syntéza generativní model odpovídá na otázku co je to textura) tvar z textury ze zdánlivé anizotropie textury lze zjistit orientaci povrchu DZO, R. Šára 23