Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis

Нажмите для полного просмотра!

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №2

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №3

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №4

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №5

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №6

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №7

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №8

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №9

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №10

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №11

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №12

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №13

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №14

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №15

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №16

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №17

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №18

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №19

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №20

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №21

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №22

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №23

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №24

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №25

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №26

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №27

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №28

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №29

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №30

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №31

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №32

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №33

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №34

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №35

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №36

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №37

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №38

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №39

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №40

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №41

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №42

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №43

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №44

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №45

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №46

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №47

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №48

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №49

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №50

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №51

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №52

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №53

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №54

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №55

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №56

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №57

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №58

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №59

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №60

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №61

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №62

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №63

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №64

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №65

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №66

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №67

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №68

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №69

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №70

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №71

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №72

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №73

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №74

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №75

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №76

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №77

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №78

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №79

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №80

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №81

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №82

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №83

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №84

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №85

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №86

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №87

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №88

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №89

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №90

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №91

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №92

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №93

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №94

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №95

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №96

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №97

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №98

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №99

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №100

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №101

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №102

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №103

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №104

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №105

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №106

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №107

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №108

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №109

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №110

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №111

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №112

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №113

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №114

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №115

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis, слайд №116

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis. Доклад-сообщение содержит 116 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis

Слайд 2

Описание слайда:

FGUP “State Research Institute of Aviation Systems” (GosNIIAS) Leading Russian organization in the field of avionics for flight vehicles of civil and military aviation founded in 1946 26 Doctors of Sciences, 232 Candidates of Sciences Educational faculties of MFTI, MAI, MIREA

Слайд 3

Описание слайда:

Visual Data Representation and Processing

Слайд 4

Описание слайда:

Visual Data Representation and Processing

Слайд 5

Описание слайда:

Two Vision Frameworks Presented

Слайд 6

Описание слайда:

PROJECTIVE MORPHOLOGIES

Слайд 7

Описание слайда:

MM 1. Математическая морфология Серра Обработка с учетом формы, выделение деталей

Слайд 8

Описание слайда:

Слайд 9

Описание слайда:

MM 1. Математическая морфология Серра

Слайд 10

Описание слайда:

MM 1. Математическая морфология Серра

Слайд 11

Описание слайда:

MM 2. Бинарная морфология на базе скелетов

Слайд 12

Описание слайда:

MM 3. Морфологический анализ Пытьева Сравнение по форме, выделение отличий

Слайд 13

Описание слайда:

MM 3. Морфологический анализ Пытьева

Слайд 14

Описание слайда:

MM 3. Морфологический анализ Пытьева

Слайд 15

Описание слайда:

MM 3. Морфологический анализ Пытьева

Слайд 16

Описание слайда:

Projective Morphology as a Union of Morphologies Image Algebra with Projectors - Projection to the Shape - Projection = Segmentation + Reconstruction - Shape Model = Combination of Shape Elements Morphological Complexity of Shape Models Shape Model Fitting by “Precision vs. Complexity” Criterion Filtering: Projection to the Shape Segmentation: Regularization of Shape Model Matching: Morphological Shape Correlation Extraction: Morphological Background Normalization (Hit-Miss-Transform) Detection: Morphological Evidence Analysis Features: Morphological Decomposition Morphological Spectrum Morphological Skeleton

Слайд 17

Описание слайда:

PROJECTORS, CLASSES OF SHAPES, MORPHOLOGICAL COMPLEXITY AND MORPHOLOGICAL SPECTRUM

Слайд 18

Описание слайда:

Проекторы как распознающие операторы (М. Павель) Морфологический фильтр: преобразование изображения к виду, соответствующему заданному классу форм. Алгебраический проектор: F(X)=F(F(X))

Слайд 19

Описание слайда:

Сравнение форм по сложности (Пытьев)

Слайд 20

Описание слайда:

Слайд 21

Описание слайда:

Слайд 22

Описание слайда:

Слайд 23

Описание слайда:

Слайд 24

Описание слайда:

СЕГМЕНТАЦИЯ + РЕКОНСТРУКЦИЯ (поиск нетривиальных описаний и построение морфологических систем из готовых «кубиков»)

Слайд 25

Описание слайда:

Слайд 26

Описание слайда:

Слайд 27

Описание слайда:

Способ описания формы: Преобразование Хафа (HT)

Слайд 28

Описание слайда:

Способ описания формы: Обобщенное преобразование Хафа (GHT)

Слайд 29

Описание слайда:

Морфологии Серра на базе преобразования Хафа и GHT H-открытие - объединение проекций изображения A(p) на отдельные прямые линии: Pr(A(p),t) = MAXqQ(A(q,t)Pr(A(p),(p,q))) = MAXqQ(A(q,t)A(p)(p,q)), где p=(x,y); q=(,) – параметры нормальной параметризации прямой; Q – пространство параметров; (p,q){0,1} – характеристическая функция прямой с параметрами q; A(q,t){0,1} – аккумулятор преобразования Хафа, бинаризованный по порогу t. (а) (b) (с) Пример морфологического H-открытия: a – исходное бинарное изображение; b – аккумулятор пространства Хафа c – результат H-открытия. На исходном контурном препарате выделены глобальные прямолинейные структуры. Аналогичным образом строится монотонная проективная морфология на базе обобщенного преобразования Хафа (GHT).

Слайд 30

Описание слайда:

Слайд 31

Описание слайда:

Слайд 32

Описание слайда:

Слайд 33

Описание слайда:

Морфологии из «готовых кубиков»

Слайд 34

Описание слайда:

Селективные морфологии

Слайд 35

Описание слайда:

Селективные морфологии

Слайд 36

Описание слайда:

Селективные морфологии

Слайд 37

Описание слайда:

Селективные морфологии

Слайд 38

Описание слайда:

Селективные морфологии

Слайд 39

Описание слайда:

Селективные морфологии

Слайд 40

Описание слайда:

Селективные морфологии

Слайд 41

Описание слайда:

Селективные морфологии

Слайд 42

Описание слайда:

Селективные морфологии

Слайд 43

Описание слайда:

Селективные морфологии

Слайд 44

Описание слайда:

МОРФОЛОГИЧЕСКИЕ АЛГЕБРЫ, ПРОСТРАНСТВА РАЗЛОЖЕНИЙ И СЕГМЕНТАЦИЯ КАК РЕГУЛЯРИЗАЦИЯ

Слайд 45

Описание слайда:

Морфологические алгебры

Слайд 46

Описание слайда:

Проективные морфологические разложения Проективные морфологические разложения Использование морфологических разложений образов в качестве признаковых описаний этих образов является обоснованным. Отсюда и все полезные практические свойства таких разложений.

Слайд 47

Описание слайда:

Проективные морфологические разложения Типы морфологических разложений Условие разложимости:  E: Pr(A,E) = Vk=1..n(Pr(A,Ek)) = Vk=1..n(r(A,Ek)Ek)

Слайд 48

Описание слайда:

Проективные морфологические разложения

Слайд 49

Описание слайда:

Проективные морфологические разложения Морфологический анализ изображений Переход от образов к изображениям (двумерным функциям): Введем пространства параметров изображения P и разложения Q: AA(p); EkEk(p)(p,q); EE(p,q). Морфологические разложения изображений: Морфо-геометрическая проекция: Pr(A(p),E(p,q))=VqQ(A(q)(p,q)). Морфо-геометрическое разложение: dec(A(p))=A(q): (P)(Q). Проекция разложения на разложение: Pr(A(q),B(q))=r(A(p),B(p))B(q). Нормированный коэффициент линейной корреляции разложений: K(A(q),B(q)) = ||Pr(A(q),B(q))||/||A(q)||.

Слайд 50

Описание слайда:

Проективные морфологические разложения Морфологический анализ изображений Фильтрация изображений с использованием разложений:

Слайд 51

Описание слайда:

Проективные морфологические разложения Морфологический анализ изображений Структурное сравнение изображений (обобщение методики Ю.П. Пытьева) Структурный проектор = Морфологический фильтр, применяемый к образу A, область пропускания которого согласована с образом B. Характеристический базис образа B: E(B)={(bk)Ek, EkE}, (x)={0, если x=0; 1 – в противном случае}, где E –исходный базис, (x) - индикатор структурной связи. Морфологическая проекция образа A на модель образа [B]: Pr(A,[B]) = Vk=1..n(ak(bk)Ek) = Pr(A,E(B)). Морфологическая проекция разложений: Pr(a,[b]) = Pr({ak},[{bk}]) = {ak(bk)}. Структурный морфологический коэффициент корреляции: Kстр(A,B)= ||Pr(a,[b])|| / ||a||, где A,B; a=dec(A),b=dec(B), со стандартными свойствами: (a) 0  Kстр(A,B)  1; (b) Kстр(A,A) = 1; (c) Kстр(A,B) = 0  Pr(A,[B]) = . Класс морфологически эквивалентных структур: В={X: Kстр(X,B)=1}. Отношение «более простой/более сложный по структуре»: (Kстр(A,B) = 1, Kстр(B,A) < 1)  («A сложнее B», «B проще A»).

Слайд 52

Описание слайда:

Проективные морфологические разложения Конструирование алгоритмов обнаружения объектов Обнаружение объектов с использованием разложений:

Слайд 53

Описание слайда:

Проективные морфологические разложения Морфологические операторы сегментации и сжатия данных Морфологическая сегментация на базе проективных разложений

Слайд 54

Описание слайда:

Проективные морфологические разложения Проективная сегментация без потерь

Слайд 55

Описание слайда:

Достаточные условия построения проективных операторов Достаточные условия построения проективных операторов Ф(A,B)= J(A,B) + Q(B)

Слайд 56

Описание слайда:

Слайд 57

Описание слайда:

Среднеквадратичная проективная сегментация одномерных функций Среднеквадратичная проективная сегментация одномерных функций

Слайд 58

Описание слайда:

Монотонная проективная фильтрация одномерных функций Монотонная проективная фильтрация одномерных функций

Слайд 59

Описание слайда:

Монотонная проективная сегментация одномерных функций Монотонная проективная сегментация одномерных функций

Слайд 60

Описание слайда:

Монотонная фильтрация и сегментация двумерных кривых (контуров бинарных изображений) Монотонная фильтрация и сегментация двумерных кривых (контуров бинарных изображений)

Слайд 61

Описание слайда:

Слайд 62

Описание слайда:

Морфология на базе оптимальной кусочно-линейной интерполяции двумерных кривых (контуров бинарных изображений) Морфология на базе оптимальной кусочно-линейной интерполяции двумерных кривых (контуров бинарных изображений)

Слайд 63

Описание слайда:

Морфологическая сегментация в 2D

Слайд 64

Описание слайда:

Морфологическая сегментация в 2D

Слайд 65

Описание слайда:

Представление данных 1 (геометрическое)

Слайд 66

Описание слайда:

Представление данных 2 (яркостно-геометрическое)

Слайд 67

Описание слайда:

Пример 2D-открытия типа (L1+N)

Слайд 68

Описание слайда:

Пример 2D-открытия типа (L1+N)

Слайд 69

Описание слайда:

Пример 2D-открытия типа (L1+N)

Слайд 70

Описание слайда:

Пример 2D-открытия типа (L1+N)

Слайд 71

Описание слайда:

Пример 2D-закрытия типа (L1+N)

Слайд 72

Описание слайда:

Пример 2D-закрытия типа (L1+N)

Слайд 73

Описание слайда:

Пример 2D-закрытия типа (L1+N)

Слайд 74

Описание слайда:

Пример 2D-закрытия типа (L1+N)

Слайд 75

Описание слайда:

Пример 2D-аппроксимации типа (L1+N)

Слайд 76

Описание слайда:

Пример 2D-аппроксимации типа (L1+N)

Слайд 77

Описание слайда:

Пример 2D-аппроксимации типа (L1+N)

Слайд 78

Описание слайда:

Пример 2D-аппроксимации типа (L1+N)

Слайд 79

Описание слайда:

Пример 2D- аппроксимации типа (L1+TV)

Слайд 80

Описание слайда:

Пример 2D- аппроксимации типа (L1+TV)

Слайд 81

Описание слайда:

Пример 2D- аппроксимации типа (L1+TV)

Слайд 82

Описание слайда:

Пример 2D- аппроксимации типа (L1+TV)

Слайд 83

Описание слайда:

EVIDENCE-BASED IMAGE ANALYSIS

Слайд 84

Описание слайда:

Слайд 85

Описание слайда:

Морфологический анализ свидетельств Вероятностная интерпретация методов морфологического анализа изображений Вероятностная модель формирования образа P(M): [0,1], Вероятностная модель регистрации изображения P(L/M): M[0,1], Вероятностная модель искажений P(A/L): M[0,1] Критерий максимальной вероятности P(A,L)=P(A/L)P(L/M)P(M)max(L). Оператор максимально вероятной реконструкции образа : M, (A)=L: P(A,L)max(L).

Слайд 86

Описание слайда:

Морфологический анализ свидетельств Анализ морфологических свидетельств Морфологическое событие: e(p)={f(A,p)=eX}. Морфологическая гипотеза: h(q)={(A) = L(q)}. Модель голосования: P(E(A),h(q))=pX, P(e(p),h(q))max(h(q)), где E(A) – совокупность морфологических событий или точнее совокупное морфологическое событие, связанное с образом A; h(q)H(), H() – пространство морфологических гипотез; P(e(p),h(q)) - вероятностная модель морфологического голосования. Носитель гипотезы (множество влияющих событий): S(h(q))={e(p): h(q)h(q): P(e(p),h(q))P(e(p),h(q))}. Носитель события (множество влияющих гипотез): S(e(p))={h(q): e(p)e(p): P(e(p),h(q))P(e(p),h(q))}. Полную группу событий, относящихся к одному признаку f(p), будем называть доменом событий, полную группу гипотез, соответствующую различным значениям L(q) – доменом гипотез.

Слайд 87

Описание слайда:

Морфологический анализ свидетельств Анализ морфологических свидетельств Под анализом морфологических свидетельств понимается следующая процедура: Морфологические события подают голоса (свидетельствуют) в пользу морфологических гипотез. Голоса накапливаются (свидетельства суммируются) Наиболее вероятной считается та гипотеза, в пользу которой подано максимальное количество голосов (накоплена максимальная сумма свидетельств).

Слайд 88

Описание слайда:

РАЗРАБОТКА ВЫЧИСЛИТЕЛЬНО ЭФФЕКТИВНЫХ АЛГОРИТМОВ АНАЛИЗА МОРФОЛОГИЧЕСКИХ СВИДЕТЕЛЬСТВ

Слайд 89

Описание слайда:

Морфологический анализ свидетельств Способы повышения вычислительной эффективности: • независимое аккумулирование свидетельств • декомпозиция вектора параметров S()=S'(')S"(") • редукция вектора параметров S()S'(') • загрубление модели объекта M  M'M • иерархический анализ свидетельств Модульная схема алгоритма обнаружения • обработка изображения по схеме голосования с целью выделения объектов или их составляющих • анализ аккумулятора с целью определения положения и/или ориентации объектов • повторный анализ изображения с целью проверки природы обнаруженных объектов и уточнения их параметров

Слайд 90

Описание слайда:

Морфологический анализ свидетельств Последовательность шагов разработки алгоритма обнаружения и идентификации объектов 1. описать модели объекта, регистрации и искажений 2. определить степень загрубления модели объекта 3. осуществить необходимую редукцию параметров 4. определить типы «событий» 5. составить качественную вероятностную модель 6. определить процедуру голосования 7. определить соответствующую процедуру анализа аккумулятора 8. разработать процедуру постпроверки достоверности детектирования

Слайд 91

Описание слайда:

Пример 1. Метод обнаружения штриховых кодов и текстовых областей на изображениях

Слайд 92

Описание слайда:

Пример 1. Метод обнаружения штриховых кодов и текстовых областей на изображениях

Слайд 93

Описание слайда:

MHT для обнаружения штриховых кодов и текстовых строк

Слайд 94

Описание слайда:

Слайд 95

Описание слайда:

Слайд 96

Описание слайда:

Слайд 97

Описание слайда:

Слайд 98

Описание слайда:

Слайд 99

Описание слайда:

Слайд 100

Описание слайда:

Слайд 101

Описание слайда:

Слайд 102

Описание слайда:

АВТОМАТИЗИРОВАННОЕ КОНСТРУИРОВАНИЕ АЛГОРИТМОВ МОРФОЛОГИЧЕСКОГО АНАЛИЗА СВИДЕТЕЛЬСТВ

Слайд 103

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Постановка задачи P1(R,A)  min(R,A) | P2(R,A) ≤ P2max, T(R,A) ≤ Tmax P1 – вероятность необнаружения объекта; P2 – вероятность ложной тревоги; T – вычислительная стоимость алгоритма (время, ресурсы); R – используемая морфологическая система; A – алгоритм анализа данных.

Слайд 104

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов 1. Метод автоматизированного конструирования алгоритмов обнаружения объектов, основанный на преобразованиях модельных описаний Метод преобразования модельных описаний Рекурсивные модели и алгоритмы Нерекурсивные модели и алгоритмы Проективные морфологии на базе логического программирования 2. Метод автоматизированного конструирования модульных процедур обнаружения объектов, основанный на «генетическом отборе» элементов модельного описания Общий подход к построению процедур идентификации Учет информативности опорных элементов Построение процедур идентификации объектов нескольких классов Генетический отбор морфологических процедур

Слайд 105

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Конструирование детекторов по модельным описаниям Формальное описание моделей объектов. Преобразование моделей объектов. Перевод декларативного описания в процедурное (сопоставление описанию объекта процедуры его обнаружения на изображении). Реализации полученных алгоритмов путем модификации типовых метаалгоритмов, соответствующих стандартным метамоделям. Вероятностное описание моделей и расчет характеристик достоверности их обнаружения. Учет программно-аппаратных характеристик типовых процедур (в заданной архитектуре вычислителя). Статистический анализ результатов обработки изображения.

Слайд 106

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Конструирование детекторов по модельным описаниям Метод преобразования модельных описаний Модель объекта: Преобразования моделей: перестановка порядка предикатов; декомпозиция (разбиение) модели на две части и редукция (отсечение) одной из них. Obj = { | }

Слайд 107

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Конструирование детекторов по модельным описаниям Пример преобразования модельных описаний Модели: Штриховая линия = набор штрихов, лежащих на одной прямой. (М1) Штриховая линия = прямая, состоящая из отдельных штрихов. (М2) Процедуры: Найти все штрихи, выбрать те, что лежат на одной прямой. (П1) Последовательно находить штрихи, лежащие на одной прямой. (П2)

Слайд 108

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Конструирование детекторов по модельным описаниям Алгоритм применения построенной модели процедуры голосования: 1. Осуществить все возможные успешные индексации целевого предиката на изображении. 2. Удалить все голосующие элементы, не участвующие в найденных успешных индексациях целевого предиката. Результатом применения процедуры является морфологическая проекция изображения на модель объекта, заданную в запросе.

Слайд 109

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Конструирование детекторов по модельным описаниям Проективные морфологии на базе неоднородных структурных моделей, описываемых логическими предикатами Утверждение (достаточное условие построения проективного морфологического фильтра на базе логической модели): Морфологическое преобразование на базе модели M является морфологическим проектором, если выполняется условие q: A(q)=0  A(q)0: M(A(Q)VA(q))=M(A(Q)VA(q) (то есть в пользу M(A(Q)) голосуют только ненулевые элементы A(q)). Морфологический проектор: Pr(A(p),M)=(A(p),M)=((A(p),M),M) Морфологический коэффициент корреляции изображения с моделью: KM(A(p),M)=min(||Pr(A(p),M)||,||A(p)||) / max(||Pr(A(p),M)||,||A(p)||)

Слайд 110

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Метод генетического отбора структурных моделей Принцип конструирования процедуры идентификации Множество процедур обнаружения: , где - процедура обнаружения фрагмента, реализующая один из заданных базовых алгоритмов (j=1,2,…,mk; k=1,2,3…).

Слайд 111

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Метод генетического отбора структурных моделей Задача условной оптимизации: , где: - время работы процедуры на изображениях из обучающей выборки; - функция вычисления точности обнаружения объекта на изображении из обучающей выборки. При этом: , - множество процедур длины не больше l,

Слайд 112

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Метод генетического отбора структурных моделей Схема применения генетического алгоритма: 1. Ген = одна из элементарных процедур. 2. Хромосома = последовательность генов ограниченной длины. 3. Функция качества хромосомы: , , где р - процедура обнаружения заданного объекта; Si - изображение из обучающей выборки; - время работы процедуры р на изображении Si; А – настроечный коэффициент; - штрафная функция. 4. Операция скрещивания – перегруппировка и обмен составных частей существующих решений (цепочек процедур обнаружения). 5. Операция мутации позволяет изменить параметры (xj,yj,wj,hj) для выбранной элементарной процедуры. 6. Генетический отбор осуществляется путем итеративного «размножения», тестирования и селекции в каждом поколении хромосом с наилучшим значением функции качества. При этом на каждом этапе случайным образом осуществляются мутации параметров и скрещивание моделей.

Слайд 113

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Метод генетического отбора структурных моделей Схема применения генетического алгоритма для формирования морфологических детекторов: 1. Ген = один из возможных структурных примитивов, характеризуемый набором {Mk(u,qk),tk,qk}. 2. Хромосома = последовательность генов = морфо-геометрическая модель объекта M(p,u). 3. Функция качества хромосомы - аналогично. 4. Операция скрещивания – аналогично. 5. Операция мутации позволяет изменить параметры локализации {Mk(u,qk),qk} для выбранного элемента модели. 6. Генетический отбор - аналогично.

Слайд 114

Описание слайда:

Автоматизированное конструирование алгоритмов обнаружения объектов Метод генетического отбора структурных моделей Интерпретация результата: 1. Процедурная интерпретация = Близкая к оптимальной процедура обнаружения заданного объекта. 2. Модельная интерпретация = Набор элементов структурной модели объекта, на основе которой искомый объект может быть обнаружен и/или идентифицирован на изображениях из обучающей выборки.