Transcript ANALIZA DE IMAGINI SI RECUNOASTEREA FORMELOR

Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
ANALIZA DE IMAGINI SI RECUNOASTEREA FORMELOR
Introducere
Extragerea caracteristicilor:
- Extragerea caracteristicilor spatiale
- Extragerea caracteristicilor de transformare
- Detectia de contur (muchie)
Descrierea obiectelor prin contur:
- Extragerea contururilor
- Reprezentarea contururilor
Descrierea obiectelor prin regiuni:
- Extragerea regiunilor
- Reprezentarea regiunilor
Structuri si forme pentru reprezentarea obiectelor prin regiuni:
- Reprezentarea prin schelet
- Prelucrari si transformari morfologice
- Reprezentari sintactice
- Caracteristici de forma
Texturi; analiza texturilor
Segmentarea imaginilor
Segmentarea prin delimitare cu prag (fereastra)
Catalogarea componentelor (obiectelor)
Segmentare prin extragerea conturului
Segmentare prin extragerea regiunilor
Metode mixte
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Introducere
Imagine
Preprocesare
de intrare
Extragere
de
caracteristici
Segmentare
Analiza datelor
Concluzie
din analiza
Extragere
de
caracteristici
Clasific. si
descriere
Analiza de imagine
Intelegere de imagine
Reprezentare
simbolica
Fig. 8.1 Sistem de analiza a imaginilor
Recunoasterea placutelor de inmatriculare
Interpretare
si descriere
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Introducere
Exemple de aplicatii ale analizei de imagini:
Detectia textului pt. recunoasterea lui/inlaturarea lui
Recunoasterea semnelor
de circulatie
Localizarea si cuantificarea
calcitei
Detectia tesutului hepatic
pe lama de microscop
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Introducere
Exemple de aplicatii ale analizei de imagini:
Imagini cu un singur obiect; detectia defectelor de pe obiect/sortarea fructelor
Metode de abordare a problemei de analiza a imaginii?
- “metoda directa” : analizeaza continutul intregii imagini, complet => in final vom putea
extrage toata informatia (interpreta complet scena), inclusiv informatia de interes – insa
complexitatea de calcul este prea mare!
- metoda “inteligenta”: focalizarea strict asupra informatiei cautate din imagine! Atunci
putem extrage doar aceasta informatie din imagine/regiunea din imagine care contine
informatia de interes => prelucrarea mai simpla.
•
Cum?
1) Descriem caracteristicile dominante ale regiunii in care se afla informatia
de interes, caracteristici specifice acesteia si neprezente in alte regiuni
 descriem the trasaturile discriminative ale regiunii care contine
informatia cautata => reprezentam imaginea prin harta acestor
trasaturi si localizam astfel regiunea de interes
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
De exemplu – pt. imaginile cu mere – suntem interesati numai de zona cu defect (daca apare); defectele din imaginile cu
mere – apar de un gri mai inchis decat culoarea normala a marului, dar nu negre => putem spune ca trasaturile
discriminative sunt griuri inchise, dar nu negru => o operatiune de tip fereastra poate duce la o harta de trasaturi in care se
vede doar defectul, daca exista
Harta trasaturilor
2)
Analizam informatia doar din regiunea de interes, folosind harta
trasaturilor;
ex. Sortare mere: fara defect (arie defect <2% din mar); cu defecte medii;
cu defecte mari…
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Extragerea trasaturilor/caracteristicilor:
Extragerea caracteristicilor spatiale:
• Caracteristici de amplitudine: ex. Nivelele de stralucire (luminanta) pot identifica regiunile de
interes din imagini:
Identificarea tesutului
prin codarea cu culori
(ex. violet)
Putem masura apoi aria,
putem descrie forma,
etc.
• Caracteristicile de amplitudine pot fi suficient de discriminative daca nivelul de gri este suficient
pt. a distinge informatia dorita fata de restul scenei
=> cel mai dificil – definirea parametrilor optimi ai transformarii pt. extragerea
caracteristicilor dominante (discriminative)
=> harta de caracteristici de amplitudine nu este in mod necesar binara!; partile care nu
prezinta interes din scena trebuie reprezentate in mod unic (ex. negru, sau o culoare/niv.
gri neprezent in regiunea de interes)
=> uneori este necesara binarizarea adaptiva/operatiuni fereastra adaptive.
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
• Trasaturi extrase din histogramele locale (caracteristici de histograma):
Histograma locala = descriere statistica locala a imaginii;
Daca u = un pixel din imagine; x=un nivel de gri => Hu(x)=nr. de aparitii ale x in regiunea
din imagine din jurul lui u
=> Se pot calcula: deviatia standard; entropia; mediana; percentilele lui Hu(x), etc.
Regiune
de interes
Masuratori
Histograma
regiunii de
interes
Tesutul de interes este bine
separat de lama de microscop
prin valoarea
deviatiei standard
a histogramei locale
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Extragerea caracteristicilor de transformare
Imagine
de intrare
Transformare
directa
v(k,l)
x
v (k,l)
Transformare
inversa
Masca
g(k,l)
Fig.8.2 Extragerea caracteristicilor de transformare
u(m,n)
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Detectia de contur (muchie)
(u, H)m,n    h( i, j ) u( i  m, j  n)  u( m, n)  h( m,n)
i
g(m,n) =
j
2
g (m,n)+ g 2 (m,n)
g1(m,n)
u(m,n)
 g (m,n) = arctg
2
1
h1(-m,-n)
g  g12  g 22
g 2 (m,n)
g1 (m,n)
Modul Limitare cu prag
1
g(m,n)
0
h2(-m,-n)
g2(m,n)
g 
t
1
directie
tg ( g 2 / g1 )
g(m,n)
Fig. 8.3 Detectia muchiilor cu operatori gradient
1 0 1
H 1  1 0 1 ,
1 0 1
1
H2  0
1
 0 1
H1  
 , respectiv

1
0


2
1
0
2
0
1
1 0 
H2  

0 1
(8.5)
(8.6)
Detectie
muchii
Prelucrarea numerica a imaginilor
formelor
u(m,n)
hk(m,n)
Cap.8 Analiza de imagini si recunoasterea
gk(m,n)
Max{1 1}
gradient g(m,n)
detectie
Limitare
cu prag
k
muchii
Fig. 8.4 Detec]ia muchiilor cu operatori unghiulari
1 1 1
 1 2 1 


1 1 1
5 5 5
3 0 3


3 3 3
a
b
1 1 1
0 0 0


1 1 1
1 2 1
0 0 0


1 2 1
c
d
Fig. 8.5 Operatori unghiulari (direc]ia Nord)
1
1
1


0
0
0
 1  1  1
N
 1  1  1
0 0 0


 1 1 1 
S
1 1
0


1 0  1
0  1  1
NW
  1  1 0
 1 0 1


 0 1 1
SE
1 0  1


1 0  1
1 0  1
W
 1 0 1
 1 0 1


 1 0 1
E
0  1  1


1 0  1
1 1
0 
SW
 0 1 1
 1 0 1


 1  1 0
NE
Fig. 8.6 Obtinerea operatorilor unghiulari pe diferite directii
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
k 
gk(m,n) – gradient compas pe directia k0,...,7,

2
k

4
,
Gradientul la locatia (m,n) va fi definit ca:
g (m, n) = max{ g k (m, n) }
(8.7)
k
Operatori Laplace si metoda trecerilor prin zero
2 f 2 f
 f 

 x2  y2
2
0
(1) 1
 0
1
4
1
0
1
0 
1
(2) 1
1
8
1
1
1
1
Limitare
cu prag
df
dx
f(x)
1
(8.8)
1
(3) 1
 1
2
1
2
1 
4
2
Contur dublu
d2 f
dx 2
a
b
c
Trecere prin
zero
Fig. 8.7 Extragere de contur folosind operatori Laplace (cazul unidimensional)
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
Operatorul Laplacian din Gaussian (Laplacian of Gaussian, LoG)

 m2  n 2 
( m2  n 2 ) 
h( m, n )  c 1 
 exp   2 2 
2




Filtru Gaussian
Implementari discrete:
Derivata Gaussianului
Derivata a 2-a a Gaussianului
(Laplacianul Gaussianului)
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Extragerea contururilor
1
C
B
A
A
a)
b)
4
2
3
c)
Fig. 8.8 Conectivitate cu 4 sau 8 conexiuni
Transformata Hough: s  x  sin  y  cos  s  x  cos  y  sin
y
s
s
θ
x
Φ
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
Transformata Hough a unei linii/ transformata Hough a unei curbe oarecare:
s
s
Punct de convergenta a curbelor
Punctele apartin aceleiasi drepte
s
Convergenta
aproximativa => dreapta
aproximativa
Nu exista punct de convergenta
Punctele nu formeaza o dreapta
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Aplicatii in extragerea conturului format din segmente de dreapta:
Detectie muchii
(operator
gradient)
Transformata
Hough:
+ binarizare
(comparare
cu prag)
Imagine originala
Extragerea
conturului
triunghiului
Puncte de contur,
contururile neextrase
Etichetare (extragere)
contur in 8-conectivitate
Conturul obiectului din
stanga jos = intre
punctele de intersectie
8-conectivitate:
Extragere
corecta
4-conectivitate
Intreruperea
conturului
obiectului
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Reprezentarea contururilor
D
2
3
C
1
4
B
5
C
3
A
D
4
0
6
2
E
5
7
6
H
7
1
F
a)
A
0
G
E
B
b)
Fig. 8.9 Reprezentare de contur folosind coduri in lant
Punct start
Fig. 8.10 Aproximarea curbelor cu
portiuni de drepte
Codati acest contur prin
cod in lant cu 8 directii,
Folosind ca origine –
punctul din stanga sus;
sens de parcurs
– la alegere
Pozitii spatiale posibile
= doar in colturile grilei
Contur original
Aproximare a conturului pe grila rectangulara
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
u(n)  x(n)  j  y(n)
u( n ) 
1
N
N 1
pentru n  0,1,...,N  1
 j 2 k n 
 a( k ) exp 
k 0
N
,

N 1
  j 2 k n 
a( k )   u( n ) exp 
,


N
n 0
(8.12)
0  n  N 1
(8.13)
0  n  N 1
(8.14)
u0  x0  j y 0
(8.15)
Ax  By  C  0
(8.16)
determina obtinerea unui nou contur x'(n) y'(n), dat de:
u'( n)  u *( n)e j 2  2
unde
 
( A  jB)C
A2  B 2
, exp( j 2  ) 
( A  jB)
A2  B 2
(8.17)
2
(8.18)
Tabelul 8.1
Transformarea
Identitate
Translatie
Scalare
Punct de referinta
Rotatie
Simetrie fata de
o dreapta
Descriptorii Fourier
u(n)
u'(n)u(n)u0
u'(n)u(n)
u'(n)u(n-n0)
u'(n)u(n)ej0
u'(n)u*(n)ej202
Conturul transformat
a(k)
a'(k)a(k) u0(k)
a'(k)a(k)
a'(k)a(k)e-j2n0k/N
a'(k)a'(k)ej0
a'(k)a*(-k)ej22(k)
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Reconstructia unei forme din descriptorii sai Fourier:
Original
Reconstructia din
primii 2 descriptori
Reconstructia din
primii 6 descriptori
…
Reconstructia din
primii 10 descriptori
Reconstructia din
primii 20 descriptori
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
2
N 1
d ( u0 , , 0 , n0 )  min  u( n)   v( n  n0 )e j 0  u0 
u0 , ,n0 , 0
 n 0

 u(n)   v(n)  0,
(8.19)
atunci pentru o translatie data u0, distanta (8.19) este minima atunci cand:
Forma
model
Rezultate potriviri: d<Prag
u0  0
 
 c( k )cos(
k
k
 k  0 )
 b( k )
si
2
k
tg 0
 c( k )  sin(

 c( k )  cos(
k
 k )
k
 k )
k
(8.20)
k
unde a(k)b*(k)c(k)ejk,  -2n0/N si c(k) este o cantitate reala.
2

d  min d ( )  min a( k )   b( k ) exp j ( k   0 ) 


 k

(8.21)
Dictionar forme/contururi
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
Reprezentarea regiunilor
1 , daca m,n 
u(m,n)  
in rest
0 ,
4
1
3
2
G
A
I
A
F
H
E
B
D
C
I
H
G
E
D
C
B
F
4
3
2
1
Fig. 8.11 Cod “quad-tree” utilizat pentru reprezentarea regiunilor
codul ob]inut : gbgbwwbwgbwwgbwwb si, decodificat :
g(bg(bwwb)wg(bwwg(bwwb)))
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
Structuri si forme
 Transformari ale axei mediene
uk (m, n)  u0 (m, n) 
min
uk 1 (i, j); (i, j ):(m, n; i, j)  1k  1,2,...
8.23)
( m,n;i, j )
u0 (m, n)  u(m, n)
(m,n) : uk(m,n)  uk(i,j) ,  (m,n;i,j) 1
1
1
1

1
1
1 1 1 1 1 1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1 k

1
1
1
1

1 1

1
1
1 1 1 1 1 1
2
2
2
1
u0 (m, n)
2
2
2
1
2
2
2
1
2
2
2
1
2
2
2
1
1

1 k

1
1
1
1

2 1

1
1
(8.24)
1 1 1 1 1 1
2
2
2
1
2
3
2
1
2
3
2
1
u1 (m, n)
2
3
2
1
2
2
2
1
1

1 k

1
1
1
1

 3,4,5 1

1
1
u 2 (m, n)
1 1 1 1 1 1
2
2
2
1
2
3
2
1
2
3
2
1
2
3
2
1
2
2
2
1
1

1 

1
1
u3 , u4 , u5
Pixeli – fond (negru),
Codati cu “0”
Transformarea-distanta,
Redata ca imagine de intensitate
Pixeli – obiect (alb),
Codati cu “1”
1
1
2

2

2

3 3 3
2
1
1

  
Schelet
Fig. 8.12 Algoritm de scheletizare




a
b
c
Fig. 8.13 Exemple de schelete ale unor obiecte
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
Structuri si forme
Algoritm de subtiere:
2 reguli logice:
R1: P1==1 && N(P1)==1 && 2<=NT(P1)<=6 && P2·P4·P6==0 && P2·P4·P8==0
R2: P1==1 && N(P1)==1 && 2<=NT(P1)<=6 && P2·P6·P8==0 && P4·P6·P8==0
P3 P2
P9
1
1
0
0
0
0
1
0
P4 P1
P8
1
P1
1
1
P1
0
0
P1 0
P5 P6
P7
0
0
0
0
0
0
1
1
a.
b.
a
c.
b
Rezultatul subtierii
d.
1
1
Prelucrarea numerica a imaginilor

Cap.8 Analiza de imagini si recunoasterea formelor
Prelucrari morfologice
Obiect
Element
structural
Obiect
Eroziune
Element
structural
Dilatare
Origine
Origine
Obiect
Element
structural
Conturare
Obiect
Element
structural
Origine
Obiect
Element
structural
Origine
Inchidere
Obiect
Origine
Obiect
Deschidere
Element
Subtiere
Element
structural
Origine
G
Obiect
Scheletizare
Element
structural
Origine
Origine
structural
Obiect
Element
structural
Ingrosare
Origine
Fig. 8.16 Algoritmi de transformare morfologica
Curatare
Prelucrarea numerica a imaginilor

Cap.8 Analiza de imagini si recunoasterea formelor
Reprezentari sintactice
Simboluri
structurale
primitive
a
b
c
d
e
Structura
obiectului
d
b
e
e
a
a
c
a
a
d
d
a
d
d
a
Reprezentareasintactica: a d a e b e a d a d d a d a c
a
Fig. 8.17 Reprezentarea sintactica a unui obiect
e
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Caracteristici de forma
Aplicatii: recunoasterea de forme; masuratori cantitative
Def. Forma obiectului = profilul obiectului + structura fizica a obiectului => “descriptori de forme”
Clasificare:
(1) caracteristici regenerative (contururi; regiuni; momente de ordin superior; caracteristici structurale;
caracteristici sintactice)
(2) caracteristici geometrice (arie, perimetru, raza maxima, excentricitate, colturi, rotunjime, simetrie)
(3) caracteristici de momente
Prelucrarea numerica a imaginilor
Cap.8 Analiza
y de imagini si recunoasterea formelor
Caracteristici geometrice:

Perimetrul:
T 
t - parametrul de contur
2
2
 dx(t )   dy(t ) 

 
 dt
 dt   dt 
dy
y(t)
- Discret => T = numarul de pixeli de pe contur
y(t+1)
x(t)

x(t+1)
dx
Aria:
A    dxdy   y( t ) 
R
R
dx ( t )
dy( t )
dt   x( t ) 
dt
dt
dt
R
unde: R si R - regiunea si, respectiv, conturul obiectului
- Discret => A = numarul de pixeli din regiune
 Razele Rmin si Rmax - distantele minime si maxime de la centrul de masa la contur (raportul Rmax/ Rmin -
masura a excentricitatii sau alungirii unui obiect)
Rmin
Rmax
x
Prelucrarea numerica a imaginilor
formelor
Cap.8 Analiza de imagini si recunoasterea
compact

necompact
Rotunjimea sau compactizarea:
( perimetrul ) 2
T2
 

4 ( aria )
4 A
Pentru un disc, spre exemplu,  este minim si egal cu 1.
 Simetria: doua tipuri de simetrie a formelor: rotaţională si “în oglindă”
Caracteristici de momente:
 Centrul de masa
1
m
N

 m ,
( m,n )R
1
N
n
( m,n )R
Momentul central de ordinul (p,q) va fi:
 (m - m )
 p ,q 

n
p
( n  n) q
( m,n )R
Orientarea: unghiul axei celui mai mic moment de inertie - minimizand :
I ( ) 
   (m, n)  [(n  n)cos  (m  m)sin ]
2
( m,n )R
in raport cu :
2
( m,n )R
 


2 1,1
1
 arctg 

2
  2, 0   0, 2 


Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Texturi

Textura = repetarea periodica a unor structuri in imagine; structura de baza = texel
Texturi artificiale
Texturi naturale
Metode de analiza: Clasificare statistică; Clasificare structurală

Clasificare statistica:
 Funcţia de autocorelaţie (ACF): dimensiunile spatiale ale texelilor proportionale cu latimea functiilor de autocorelatie
spatiala:
au,u (k , l )  m2 (k , l ) / m2 (0,0)
unde
m2 (k , l ) 
 u(m, n)u(m  k , n  l )
m,n W
 Masuri de evaluare a distributiei functiei de autocorelatie – pt. descrierea texturii:
M ( k , l )    ( m   1 ) k ( n   2 ) l r( m, n)
m
n
 1    mr( m, n) ,
m
n
 2    nr( m, n) ,
m
n
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
ACF pt. “Nisip”
ACF pt. “Lana”
 Transformări de imagine:
z i ( k , l )  v ( k , l )  gi ( k , l )
2
(8.41)
2
2
1
1
1
2
2
2
1
1
Fig. 8.18 Tipuri de masti folosite in analiza de texturi
1
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
 Densitatea conturului
Sobel
Sobel
Nisip
Rafie
 Caracteristicile de histogramă: => histograma de co-aparitie:
pu ( x1 , x 2 )  f ( r, ; x1 , x 2 )
=> masuratori statistice ale histogramei bidimensionale:
- inertia:
I ( r, ) 
 x
1
 x2
2
R4, 0
f ( r ,  ; x1 x 2 )
x1 , x 2
- distributia medie:
 ( r; x1 ,x 2 ) 
1
N0


f ( r ,  ; x1 x 2 )
Iarba
N0 - numarul total de orientari posibile.
- distributia variantei:
1
 2 ( r;x1 ,x 2 ) 
[ f ( r, ;x1 x 2 )   ( r;x1 ,x 2 )]2

N0 
- distributia imprastierii:
( r;x1 ,x 2 )  max{ f ( r, ;x1 ,x 2 )}  min{ f ( r, ;x1 ,x 2 )}

Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
 Modele de textură aleatoare
u( m, n)  a( m, n)   ( m, n)
Calculul
ACF
Textura
Extragere de
caracteristici
u(m,n)
Filtru de
decorelare
A(x1,x2)
(m,n)
(8.47)
Caracteristici
de textura
Calculul
histogramei
a
zgomot
alb
(m,n)
1
A(x1,x2)
u(m,n)
b
Fig. 8.19 Model de analiza a texturii
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Segmentarea imaginilor
Segmentarea prin delimitare cu prag (fereastra)
1) Detectie maxime
locale
Obiect
2) Detectie minime
locale
Obiect intre minime locale
Catalogarea componentelor (obiectelor)
 Catalogarea pixelilor:
C
A
B
X
D
seed
segmentare cu prag de 4
noul seed
imaginea segmentata
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Segmentarea imaginilor
 Analiza conectivităţii curselor
A
b
e
j
o
t
a
d
g
c
k
p
B
i
h
l
C
q
m n
r s
u v
Coloana
Nivel
Obiect
IC1
ID1
IC2
ID2
w
a) imagine binară
1 2 3
1 2 1
A B A
B
B
A
A
a
b c d
e f g
j k
o p
t u
w
4 5 6
2 1 3
B A C
C
C
B
B
Markeri
h i
m n l
r s q
v
date
b) tabel de segmentare
Fig. 8.21 Algoritm de analiza a conectivitatii curselor
Obiect
camera
video
Conversie
A/D
Preprocesare
si binarizare
Segmentare
(conectivit.)
Extragere
caracterist.
Fig. 8.22 Sistem de analiza bazat pe conectivitatea curselor
Clasificare
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
Segmentare prin extragerea conturului
Obiect
Extragere
de
caracteristici
Segmentare
prin detecţie
de contur
Detecţie
de contur
Clasificare
şi analiză
Fig. 8.23 Segmentare bazata pe extragerea conturului
Segmentare prin extragerea regiunilor
R
R
R
1
5
R
R
2
R
4
1 '=
R
1
 R
2
 R
4
3
R
R
5
a
b
Fig. 8.24 Contopirea regiunilor
3
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
2
1
A B A B
Divizare D C D C Contopire
R2
R1
A B
D C
3
4
a
1
A
B
2
D
C
A
3
B C
b
D
A
B C
4
1C, 2D, 3A
D
c
Fig. 8.25 Segmentare prin divizare si contopire: a. intrare
b. divizare cu arbori
c. regiunile segmentate
1(A,B,D)
2(A,B,C)
3(B,C,D)
4
Prelucrarea numerica a imaginilor
Cap.8 Analiza de imagini si recunoasterea formelor
a) Imaginea originală
b) Rezultatul segmentării
bazate pe regiuni
c) Principalele obiecte detectate,
marcate în imaginea originală prin
conturul lor