模式識別物體測量.ppt

《模式識別物體測量.ppt》由會員分享，可在線閱讀，更多相關(guān)《模式識別物體測量.ppt（25頁珍藏版）》請在裝配圖網(wǎng)上搜索。

模式識別 物體測量 在物體從圖像中分割出來后 進一步就可以對它的幾何特征進行測量和分析 在此基礎(chǔ)上可以識別物體 也可以對物體分類 或?qū)ξ矬w是否符合標準進行判別 實現(xiàn)質(zhì)量監(jiān)控 與圖像分割一道 物體測量與形狀分析在工業(yè)生產(chǎn)中有重要的應(yīng)用 它們是機器視覺的主要內(nèi)容之一 例如 能將馬鈴薯或蘋果等農(nóng)產(chǎn)品按品質(zhì)自動分類的機器視覺系統(tǒng) 自動計算不規(guī)則形狀所包含面積的測量系統(tǒng) 將傳送帶上不同工件自動分類的視覺系統(tǒng) 等等 尺寸測量 反映物體尺寸的特征 1 面積和周長 面積和周長是物體總尺寸的一個方便的度量 面積只與該物體的邊界有關(guān) 而與其內(nèi)部灰度級的變化無關(guān) 物體周長則在區(qū)別具有簡單或復(fù)雜形狀物體時特別有用 面積和周長可以很容易地從已分割的圖像抽取物體的過程中計算出來 尺寸測量 如下圖所示 取物體的質(zhì)心為坐標中心 平面上一閉合曲線所包圍的面積由沿輪廓的積分確定 尺寸測量 平均和綜合密度 IOD是物體所有像素的灰度級之和 它反映了物體的 質(zhì)量 或 重量 從數(shù)量上等價于面積乘以物體內(nèi)部的平均灰度 平均密度等于IOD除以面積 在已知物體的邊界時 用其外接矩形的尺寸來刻畫它的基本形狀是最簡單的方法 通常計算反映物體形狀特征的主軸方向上的長度和與之垂直方向上的寬度 這樣的外接矩形是物體最小的外接矩形 MER MinimumEnclosingRectangle 計算MER的一種方法是將物體在90度范圍內(nèi)等間隔地旋轉(zhuǎn) 每次記錄其坐標系方向上的外接矩形參數(shù) 取其面積為最小的矩形的參數(shù)為主軸意義下的長度和寬度 通常主軸可以通過矩 moments 的計算得到 也可以用求物體的最佳擬合直線的方法求出 3 長度和寬度 尺寸測量 尺寸測量 形狀分析及描述 矩形度矩形度用物體的面積與其最小外界矩形的面積之比來刻畫 反映物體對其外接矩形的充滿程度 圓形度圓形度用來刻畫物體邊界的復(fù)雜程度 它們在圓形邊界時取最小值 最常用的圓形度是周長的平方與面積的比 不變矩函數(shù)與其矩集合有一一對應(yīng) 為了描述形狀 假設(shè)f x y 在物體內(nèi)取值為1而在其外都取0值 這樣它就與物體的輪廓建立了一個一一對應(yīng)的關(guān)系 它的矩就反映了物體的輪廓信息 中心矩具有位置無關(guān)性 對于規(guī)格化的中心矩 對于平移 旋轉(zhuǎn)和尺度變化都是不變的 但是 由于圖像中存在噪聲等干擾因素 上述不變矩尤其是高階不變矩是不穩(wěn)定的 僅僅利用不變矩特征來識別物體是很不可靠的 形狀分析及描述 形狀分析及描述 輪廓的傅立葉描述設(shè)P為邊界輪廓上的任意一點 以邊界輪廓上的點A為參照點 記s為從A到P點的弧長 并設(shè)邊界輪廓線的周長為S 則P點可表示成弧長的函數(shù) 這樣將物體的邊界輪廓與周期函數(shù)相對應(yīng) 因此可以用它的傅立葉變換系數(shù)來刻畫其輪廓特征 由于傅立葉變換系數(shù)的模具有平移及旋轉(zhuǎn)不變性 故可用傅立葉變換的系數(shù)向量作為特征來識別物體 在實現(xiàn)時 通常需要將其幅值規(guī)范化 如除以最大幅值或平均幅值 以便得到尺度無關(guān)的形狀識別特征 形狀分析及描述 中軸變換 抽骨架 形狀分析及描述 是尋找所有滿足如下條件的點及對應(yīng)參數(shù) 以該點為中心存在一個包含于物體內(nèi)的且與物體邊界相切于兩點的圓盤 該點的參數(shù)就是相應(yīng)圓盤的半徑 因此中軸變換就是得到物體的骨架和骨架上每點到物體邊界的最短距離的過程 對于二值圖像而言 中軸變換與物體形狀一一對應(yīng) 物體可以用它的中軸變換重建 但在實際上 由于離散化的原因 重構(gòu)的物體與原物體存在細微的差別 骨架的抽取可以采用形態(tài)學(xué)方法 在抽取出骨架后 容易根據(jù)原圖計算出每點到邊界最短距離參數(shù) 此外 還有許多其它直接求出中軸變換的方法 如Voronoi圖方法 形狀分析及描述 曲線和曲面擬合 在圖像分析中 為了描述物體的邊界或其它特征 有時需要根據(jù)一組數(shù)據(jù)點集來擬合曲線與曲面 曲線與曲面的擬合是數(shù)值分析中重要的內(nèi)容 通常使用最小均方誤差準則來找出一定參數(shù)形式下的最佳擬合函數(shù) 具體選擇什么參數(shù)形式與問題有關(guān) 通常采用多項式形式特別是二次多項式形式 而對于更為一般的情況也可采用樣條函數(shù)形式 曲線和曲面擬合 曲線或曲面擬合問題是 給定一個點集 找出一個函數(shù)使其均方誤差最小 上述方法很容易推廣到其它參數(shù)形式的擬合函數(shù)中 通常采用的擬合函數(shù)有圓或橢圓 或其它二次或三次多項式函數(shù) 此外還有高斯函數(shù)等等 實現(xiàn)時可用Matlab工具 非常方便 曲線擬合可以用來估計混有噪聲的觀察值的基本函數(shù) 條件是函數(shù)的形式已經(jīng)知道或被假定 曲面擬合可用來從一幅圖像中抽取感興趣的物體 或估計物體的幅度 尺寸和形狀參數(shù) 表面擬和也應(yīng)該能對一些其他的因素進行估計 從而將它去除 曲線和曲面擬合 最小均方誤差擬合 曲線和曲面擬合 給定一個子集 xi yi 一個常用的擬合技術(shù)是找出函數(shù)f x 使其均方誤差最小 這可以通過下式給出 其中 xi yi 是數(shù)據(jù)點 共有N個 曲線和曲面擬合 例如 f x 是拋物線 其表達式為 曲線擬合的過程就是用來確定系數(shù)c0 c1 c2的最佳取值 也就是說 希望確定這些系數(shù)的值 以使該拋物線倒給定點的誤差在均方誤差的意義下最小 紋理分析 紋理是圖像分析中的一個非常重要的特征 從航空照片中的地表景物到顯微圖像中生物體組織排列 都反映了紋理具有的規(guī)律性 對圖像處理而言 圖像紋理一般是指有大量或多或少相似的紋理元或模式組成的一種結(jié)構(gòu) 紋理分析一般是針對紋理圖像而言的 類似于眼紋 布紋 草地 麥田 砌磚平面等重復(fù)性結(jié)構(gòu)的圖像稱為紋理圖像 一般來說 紋理圖像中灰度分布具有某種周期性 即使灰度變化是隨機的 那么也符合一定的統(tǒng)計特性 人工紋理 自然紋理 紋理分析 紋理分析 當紋理可以分解時 可以用兩種基本特征來描述 即組成紋理的基元和基元之間的相互關(guān)系 前者與局部灰度變化規(guī)律有關(guān) 后者則與有前者形成的空間結(jié)構(gòu)相關(guān) 紋理的這兩個基本特征成為紋理分析的基本依據(jù) 共生矩陣用兩個位置的像素的聯(lián)合概率密度來定義 它不僅反映亮度的分布特性 也反映具有同樣亮度或接近亮度的像素之間的位置分布特性 是有關(guān)圖像亮度變化的二階統(tǒng)計特征 它是定義一組紋理特征的基礎(chǔ) 紋理分析 描述一塊圖像區(qū)域的紋理有三種主要的方法 統(tǒng)計方法有自相關(guān)函數(shù) 紋理邊緣 結(jié)構(gòu)元素 灰度的空間共生概率 灰度行程和自回歸模型 結(jié)構(gòu)方法研究基元及其空間關(guān)系 基元一般定義為具有某種屬性而彼此相連的單元的集合 屬性包括灰度 連通區(qū)域的形狀 局部一致性等 空間關(guān)系包括基元的相鄰性 在一定角度范圍內(nèi)的最近距離等等 根據(jù)基元間的空間聯(lián)系 紋理可以分為弱紋理或強紋理 頻譜方法是根據(jù)傅立葉頻譜 根據(jù)峰值所占的能量比例將圖像分類 包括計算峰值處的面積 峰值處的相位 峰值與原點的距離平方 兩個峰值間的相角差等手段 紋理分析