СРАВНЕНИЕ И ПОИСК ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ презентация

поиск изображений;
Проблема и общие принципы сравнения видеоданных;
Требования к мерам, вычисляющим сходство;
Функции схожести;
Общий алгоритм поиска объектов на изображении;
Способы повышения эффективности сравнения и поиска объектов

Минск: ИТК НАН Беларуси, 1997. – 284с. стр. 141-151
Прэтт У. Цифровая обработка изображений: в 2-х кн. / Пер. с англ. - М.: Мир, 1982.- 792с. стр. 141-151
Крот А.М., Минервина Е.Б. Быстрые алгоритмы и программы цифровой спектральной обработки сигналов и изображений. – Мн.: Выш. шк.,1995. - 407с. стр. 573-579
Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М: Техносфера, 2005. – 1072с. стр. 120-121

объектов;
системы поиска и распознавания объектов для обработки медицинских изображений, изображений карт земной поверхности, чертежей, фотоснимков и др. сложных изображений;
системы видеонаблюдения (детектирование движущихся объектов).

Прикладные системы обработки изображений, использующие сравнение или поиск

одинаковым диапазоном допустимых значений яркости G.
Определить: Какое из цифровых изображений Bi более других похоже на цифровое изображение А.
В общем случае – насколько схожи сцены, передаваемые изображениями Bi и изображением А?

подобия изображений

меры, опирающиеся на модель зрения человека;
Объективные меры, построенные на теоретических моделях.

Общие принципы сравнения изображений

Методы, сравнивающие изображения или их отдельные части, принято разделять в зависимости от ключевых понятий, используемых в целях сравнения, следующим образом: уровень пикселей; точки интереса; сегменты и кривые.

мер схожести:
1. Метричность:

Численное значение меры служит критерием схожести изображений.

небольших изменениях форм изображаемых объектов, при небольших сдвигах и вращениях;
5. Вычисление меры должно быть достаточно быстрым.

Мера является строгой, если она удовлетворяет большинству описанных требований, или слабой, если она не удовлетворяет нескольким требованиям.
Назначение требований - попытка приблизить аналитическую оценку, выраженную одним числом, к субъективному понятию человека о схожести изображений.

квадратов разностей

на основе усредненной городской метрики

схожести для изображений 1 и 3

эталонное изображение размером
обрабатываемое изображение размером
значение пороговой величины.

Эталон сравнивается со всеми объектами, находящимися на изображении, путем последовательного перемещения по изображению, как правило, слева направо, сверху вниз. В качестве оценочной величины используется одна из известных мер сходства.

размером, согласно размеру эталона начиная с верхней левой части растрового изображения.
2. Вычисление функции схожести для выделенного фрагмента и объекта.
3. Сравнение полученного значения функции схожести с пороговой величиной и принятие решения о соответствии фрагмента объекту.
4. Сдвиг вправо или вниз на один элемент на принятом изображении, выделение следующего фрагмента и переход к п.2., если число сдвигов меньше .
Иначе поиск завершен.

этом случае требует выполнения следующих действий:
- выполнить прямое преобразование (в базисе Фурье, Хаара, Уолша-Адамара и т.д.), т.е. вычислить спектры для анализируемого фрагмента изображения и эталона путем умножения растровых матриц на матрицу коэффициентов используемого базиса;
- вычислить поточечное произведение полученных векторов;
- произвести обратное преобразование - умножить полученные вектора на матрицу обратного преобразования применяемого базиса.

вычисление функций прекращается для анализируемой позиции объекта на изображении, если полученное значение корреляции на некотором шаге меньше установленного порога. В данном случае снижение вычислительных затрат достигается за счет ухудшения помехоустойчивости;

Использование характеристик определенного класса изображений. Например, для бинарных изображений процедуру поиска можно значительно упростить, если применять простые арифметические действия вместо спектрального преобразования.

Использование моментов строк и столбцов растровых матриц изображений