Documente Academic
Documente Profesional
Documente Cultură
Curs 12
Procesarea imaginilor color:
Modele de culoare. Segmentare imagini color.
Intoducere
Segmentare := identificare zone omogene din imagine
Segmentare imagini color := identificare regiuni (componente conexe) care
satisfac anumite criterii de omogenitate, bazate pe trasaturi derivate din
componentele spectrale. Aceste componente sunt definite in spatiul de culoare
considerat.
(1) Regiune (definitie bazata pe notiunea de pixel) := componenta conexa a unui
set de pixeli specificata printr-o functie de aparteneta la o clasa definita in spatiul
de culoare considerat:
(a) Culoare pixelului este intr-un semispatiu definit de un plan;
(b) Culoare pixelului se incadreaza intr-un poliedru;
(c) Culoare pixelului se incadreaza intr-o celula Voronoi data de niste puncte
reprezentative;
(d) Functie de apartenta fuzyy la o classa defuzzificata de o operatie de
taiere/separare
Voronoi decomposition := in the simplest case, we are given a set
of points S in the plane, which are the Voronoi sites. Each site s has
a Voronoi cell V(s) consisting of all points closer to s than to any
other site. The segments of the Voronoi diagram are all the points in
the plane that are equidistant to two sites. The Voronoi nodes are
the points equidistant to three (or more) sites
IMAGE PROCESSING Technical University of Cluj Napoca
Computer Science Department
Intoducere
(2) Regiune (definitie bazata pe notiunea de regiune) := setul maximal de
pixeli pentru care este satisfacuta o conditie de uniformitate (predicat de
omogenitate):
(a) Regiuni uniforme obtinute prin cersterea unui bloc/seed prin unirea altor
pixeli sau blocuri de pixeli
(b) Regiuni uniforme obtinute prin impartirea unor regiuni mai mari care nu
sunt omogene
decodificarea direct
pattern-ului Bayer
IMAGE PROCESSING
Imagine RGB Technical University of Cluj Napoca
Computer Science Department
Achizitia imaginilor color
Decodificarea pattern-ului Bayer
IMAGE PROCESSING
Calitatea imaginii (Bayer pattern vs. 3CCD) ??? Technical University of Cluj Napoca
Computer Science Department
Spatiul de culoare: RGB
RGB ⇒ Culoarea fiecărui pixel (atât pentru
echipamentele de achiziŃie – camere) cât şi
pentru afişare (TV, CRT, LCD) se obŃine prin
combinaŃia a trei culori primare: roşu, verde
şi albastru. (Red, Green şi Blue)
⇒ spaŃiu de culoare aditiv (R+G+B ⇒ Alb)
CMYK
I=
1
(R + G + B )
3
1
S =1−
3
[min (R, G, B )]
(R + G + B )
0
Φ if G ≥ B
H =
2 Π − Φ if G < B
1
[(R − G ) + (R − B )]
Φ = cos −1 2
( ) ( )( )
1
− + − −
2
R G R B G B 2
IMAGE PROCESSING Technical University of Cluj Napoca
Computer Science Department
Alte modele
XYZ tristimulus - transformare liniara asupra RGB:
CIE(Lab) space
CIE(Luv) space
YIQ (US)
YIQ (EU)
Gruparea culorilor (din spatul culorilor) si asignarea ficarui grup a unei culori
echivalente (medie)
- cuantizare/posterizare (impartirea spatiului trasaturilor in subspatii de
dimensiuni fixe);
- clustering:
- supervizat - info. apriori: se stiu nr. clusterilor / pozitiile centrelor)
- nesupervizat – fara informatii apriori
Fie X ∈ RNxM, unde RNxM este un set de date reprezentand N puncte xi in spatiul
RM:
• xi ={ xi1…….. xiM} cu i =1..N
• se noteaza cu Ck clusterul k.
• K reprezinta numarul total de clusteri
• mCkj reprezinta centrul celui de-al k-lea cluster la iteratia j.
Scopul aplicarii acestei metode il constituie partitionarea lui X in K grupuri Ck, astfel
incat datele grupate sa fie asemanatoare din punctul de vedere al unei/unor
trasaturi alese. Rezultatul este o mapare bijectiva X→C a setului de date xi in
clusterii Ck cu k=1..K.
X2
m1(x11,x12) m2(x21,x22)
Θ Θ
C1 C2 m3(x31,x32)
C3 Θ
X1
d Euclidian ( P1 , P2 ) = ( x1 − x 2 ) 2 + ( y1 − y 2 ) 2 = P1 − P2
d Chessboard ( P1 , P2 ) = max( x 2 − x1 , y 2 − y1 )
2D clustering in the (YOZ) space using: 0.3m threshold (left), 0.5m threshold (right). The cluster centers are figured with circles (‘o’).
Algoritm:
1. Se segtmenteaza imagine in celule de baza (dimensiune >= 1 pixel).
2. Fiecare celula este comparata cu vecinii ei folosind o masura de similaritate.
In caz afirmativ (valoarea metricii de similaritate < prag) celulele sunt
fuzionate intr-un fragment mai mare si se actualizeza trasaturile regiunii
folosite la masura similaritatii (de obicei prin mediere ponderata).
3. Se continua procesul de crestere al fragmentelui prin examinarea tuturor
vecinilor pana cand nu se mai pot realiza fuziuni.
4. Se trece la urmatoarea celula ramasa nemarcata si se repeta pasii 2-3.
Algoritmul se opreste atunci cand nu au mai ramas celule nemarcata.