Microsoft PowerPoint - Lec06

Size: px

Start display at page:

Download "Microsoft PowerPoint - Lec06"

ほのかさかど
5 years ago
Views:

Muli Maerial Image 認識識別 e.g. 領域抽出後処理 :e.

1 体積表面積情報デザイン専攻画像情報処理論及び演習 I 領域抽出大津の二値化法今日の授業内容.riken.jp/ric/Yoshizaa/Lecures/inde.hml.riken.jp/ric/Yoshizaa/Lecures/Lec06.pdf 領域抽出法演習 : 大津法のプログラミング第 6 回講義水曜日限教室 65 情報処理実習室吉澤信 shin@riken.jp, 非常勤講師大妻女子大学社会情報学部第二回のレポートは今日の内容なのでみなさんよく聞いてくださいねー (^^ 入力 : 画像データ前処理 : e.g. フィルタリングノイズ除去超解像度多重解像度解析空間変換等. A. Miyaaki (RIKEN Inpu Noisy Image Cell Cyokinesis パターン認識では特徴量は形状記述子画像記述子とも呼ばれる. よくある画像処理の流れ特徴抽出 Recognized Muli Maerial Image 認識識別 e.g. 領域抽出後処理 :e.g. 統計幾何処理竹本 RIKEN 西村 RIKEN 出力 : 解析結果領域抽出とは? 領域抽出 : 画像の領域を分割する処理対象の領域を切り出して他の領域と区別する事. 画像処理で最も重要な技術. 毎年何百! という新しい方法が提案されている. 抽出処理竹本 RIKEN ラベル ( 人物ラベル ( 背景領域抽出の例二値化 Bruce Jan's flash log.mahorks.com 二値化 : 画像の画素値を二つに分ける事 = 画像を二つの領域に分ける事. 閾値単純閾値 Pタイル法大津の二値化法 ( 判別分析法等. P タイル法 : 対象の占める画素数が既知のとき低いところから頻度値を積算. 予測される画素数付近を閾値とする方法. sipl.echnion.ac.il.eecs.erkeley.edu

2 多値化と二値化一番簡単な領域抽出閾値による二値化閾値閾値ポスタリゼーションは多値化. 竹本 RIKEN その画素値が閾値(hresholdより大 or 小で領域を二つに分ける hegraphicsale.com akvis.com 閾値: 64 閾値: 96 閾値: 8 閾値: 60 ラべリングとはラべリング連結領域を抽出する事. 通常は領域抽出後に適用する. 連結領域同じ画素値の繋がった領域. 4連結左右上下. 8連結 33の領域. 次回の授業で詳しくやります. 何の役に立つのか医療応用 8連結 J.L.Prince, Johns Hopkins Univ. RIKEN J.K.Udupa, Univ.of Pennsylvania 4連結エンターテイメント応用 S. Zhou e al., SIGGRAPH 00. K. Hoa, ICPR 006. 二値化 S. Yoshizaa, RIKEN 多値化ラべリング何の役に立つのか２領域抽出処理の流れ細胞内の３D領域分割 S. Takemoo, RIKEN 入力画像核識別関数分割規則 N 画像空間への反映ミトコンドリア特徴抽出特徴空間生成領域抽出は特徴量の分類識別. 自然科学応用出力画像 N次元特徴空間工業応用竹本 RIKEN 処理例 RIKEN 閾値閾値は識別関数表現のひとつ

3 重要領域抽出法の分類重要領域抽出法の分類教師なし(Unsupervised Segmenaion: 教師なし(Unsupervised Segmenaion: 特徴抽出分類識別入力画像 (領域抽出したい画像領域抽出画像教師あり(Supervised Segmenaion: パターン認識機械学習(後期にやるかも. 特徴空間領域の輝度値や抽出したい形状に関するエネルギー(目的関数を最小化最大化する事で特徴量の分布や滑らかさを基準. 領域抽出でよく用いられる方法は大津の二値化法, Snake (Acive Conour, Graph Cus, Mean Shif, Waer Shed (Region Groing等の方法が有名(目的関数の違いなど沢山の亜種. モデルを用いた検出エッジ抽出コーナー検出テンプレートマッチング線円形状抽出特徴抽出パターン認識と合わせて後期にやります. 背景特徴空間入力画像正解不正解 (教師画像 Snake/Acive Conour法曲線と画像のエッジに基づくエネルギー関数の和を最小化する事で曲線を対象に収束させていく方法. エネルギーの種類 Snake/Acive Conour法２ Level Se法と呼ばれる方法と組み合わせる事で位相変化に対応し複数オブジェクトの領域抽出が可能. ig.epfl.ch/jaco.imppac.eu 閉曲線の連続性や滑らかさ. 画像のエッジ強度. 閉曲線を縮ませる(曲率. ikipedia.cs.ris.ac.uk.cim.mcgill.ca/~friggi mah.erkeley.edu/~sehian.mah.ucla.edu groups.csail.mi.edu Snake/Acive Conour法3 3次元曲面への拡張もある. mah.erkeley.edu/~sehian A. Sharf e al. EG 06. Snake/Acive Conour法4 物理方程式の境界面を計算する事でのシミュレーション. physam.sanford.edu/~fedki 3

Mean Shif 法画素の座標値 + 色やその他の特徴を組み合わせた特徴空間で ( ガウス関数等の

Region Groing 法複数の Seed 画素からスタートし領域を拡張していく

等から構成されるエネルギー関数を最小化する様な近傍画素を随時 Seed 画素に加えて領域を大きくしていく

が大きくなるように閾値を自動的に決める. 分離度 : クラス間分散クラス内分散. 黒の分布白の分布.

4 Mean Shif 法画素の座標値 + 色やその他の特徴を組み合わせた特徴空間で ( ガウス関数等の重み付平均を繰り返し適用し ( 特徴空間の同じ場所に集まってきた ( 収束した画素を同じ領域とする方法. D. Comaniciu and P. Meer, IEEE. Graph Cus 法画素の格子や近傍の画素への辺をグラフの辺として画素中心をグラフの頂点としエッジ強度等の重みを持ったグラフ構造を分離 ( カットする方法. 最小カット (Minimum Cu: 重みの和が最小. 最大カット (Maimum Cu: 重みの和が最大. 最小カット ikipedia 最大カット T. Ijiri, RIKEN V. Boykov, IJCV 06. Region Groing 法複数の Seed 画素からスタートし領域を拡張していく拡張のルールはエッジ強度や形状モデルからの距離 ( 例えば領域が平面に近いかどうか等から構成されるエネルギー関数を最小化する様な近傍画素を随時 Seed 画素に加えて領域を大きくしていく : Waershed 法, Kmeans Clusering, Lloyd Pariioning, 重心ボロノイ図, ec. 重要 : 大津の二値化法 ( 判別分析法白の分布と黒の分布の分離度が大きくなるように閾値を自動的に決める. 分離度 : クラス間分散クラス内分散. 黒の分布白の分布.imageme.com 閾値によるクラス閾値によるクラス分け= 閾値による二値化 : 全体とそれぞれのクラスの平均と偏差 : 平均 m 分散 i m i m, 全体の平均と分散 m,, 黒画素クラスの平均と分散, 画素数 m 白画素クラスの平均と分散, 画素数,, i i 重要 : クラス内分散とクラス間分散クラス内分散 : クラスの散らばりの大きさ. クラス間分散 : 二クラス間の散らばり度合. ( m m ( m m ( m m ( 4

なるべく小さいほうがよいクラス間分散 = クラスの隔たりなるべく大きいほうがよい分離度 =

クラスの分散はなるべく小さいほうが分離度が高い. H. Suzuki, Univ.

分離度 = とおくと (0 分離度 3 ( 証明してみようグラフからこの値は 0 で単調増加は

Suzuki, Univ. Tokyo 重要 : 大津の方法アルゴリズム. 画像からヒストグラムを作成.

. 閾値が 0 のときのクラス間分散を計算しその値を Sma, そのときの閾値を Tma とする. 3.

つまり双峰性がない画像には向いていない. 画像全体のヒストグラムを使っているため背景の明るさ変化に弱い.

5 重要 : 分離度分離度 : クラス間分散クラス内分散. 分離度分離度 : クラス間分散クラス内分散. 分離度 = クラス間分散クラス内分散分離度 = クラス間分散クラス内分散二つのクラスができるだけ分離しているためには, クラス内分散 = クラスの分布の広がりなるべく小さいほうがよいクラス間分散 = クラスの隔たりなるべく大きいほうがよい分離度 = クラス間分散クラス内分散を最大にする. クラスの平均はなるべく離れているほうが分離度が高い. クラスの分散はなるべく小さいほうが分離度が高い. H. Suzuki, Univ. Tokyo 分離度の最大化. 分離度 = とおくと (0 分離度 3 ( 証明してみようグラフからこの値は 0 で単調増加は閾値の選び方によらないのでが最大きくなるように閾値を選べばよいクラス間分散クラス内分散 O H. Suzuki, Univ. Tokyo 重要 : 大津の方法アルゴリズム. 画像からヒストグラムを作成. ビンの数を N とする.. 閾値が 0 のときのクラス間分散を計算しその値を Sma, そのときの閾値を Tma とする. 3. for(i=;i<n;i++{. 閾値が i のときのクラス間分散を計算し S とする. ( m m ( m m ( m m ( 平均 m i i 分散 i m. もしも S>Sma ならば Sma=S, Tma=i とする. 4. } 5. Tma が大津の閾値となる. i 大津の方法の問題点ヒストグラムが双峰性を持つ場合に非常に良い結果が得られる. つまり双峰性がない画像には向いていない. 画像全体のヒストグラムを使っているため背景の明るさ変化に弱い. 画像全体のヒストグラムを用いた大津法単純閾値大津法局所的ヒストグラムを用いた大津法演習 : 大津法のプログラムを作ってみよう! 演習 6:.riken.jp/ric/Yoshizaa/Lecures/inde.hml.riken.jp/ric/Yoshizaa/Lecures/E03.zip. E03.zip 内の OsuBin.c:pgm ファイルを大津の方法で二値化するプログラムの雛形ソースコード.. OsuBin.c 内のコメントを参考にプログラムを完成させる. 3. make でコンパイル. 4. lena.pgm Cameraman.pgm Kanji_Iri.pgmを大津の方法で二値化してみよう! 大津法の閾値 : 8, 99, 7でもOK.: 演習のヒントに従うとこっち! 大津法の閾値 : 7 大津法の閾値 : 88 大津法の閾値 : 6 5

6 来週の予定.riken.jp/ric/Yoshizaa/Lecures/inde.hml 二値化ラべリングラべリング細線化. 演習. 3 第回レポート. 細線化 6

Microsoft PowerPoint - Lec04 [互換モード]

Microsoft PowerPoint - Lec04 [互換モード] 6000 5000 4000 3000 000 000 0 体積表面積 0 0 40 60 80 00 0 40 第 7 回講義水曜日限教室情報デザイン専攻画像情報処理論及び演習 I - 領域抽出 - 大津の二値化法ラべリング吉澤信 shin@riken.jp, 非常勤講師大妻女子大学社会情報学部 3 4 今日の授業内容.riken.jp/ric/Yoshizaa/Lecures/Lec04.pdf