Презентация Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis онлайн
На нашем сайте вы можете скачать и просмотреть онлайн доклад-презентацию на тему Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis абсолютно бесплатно. Урок-презентация на эту тему содержит всего 116 слайдов. Все материалы созданы в программе PowerPoint и имеют формат ppt или же pptx. Материалы и темы для презентаций взяты из открытых источников и загружены их авторами, за качество и достоверность информации в них администрация сайта не отвечает, все права принадлежат их создателям. Если вы нашли то, что искали, отблагодарите авторов - поделитесь ссылкой в социальных сетях, а наш сайт добавьте в закладки.
Презентации » Образование » Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis
Оцените!
Оцените презентацию от 1 до 5 баллов!
- Тип файла:ppt / pptx (powerpoint)
- Всего слайдов:116 слайдов
- Для класса:1,2,3,4,5,6,7,8,9,10,11
- Размер файла:16.71 MB
- Просмотров:63
- Скачиваний:0
- Автор:неизвестен
Слайды и текст к этой презентации:
№2 слайд
Содержание 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
№16 слайд
Содержание 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
№29 слайд
Содержание слайда: Морфологии Серра на базе
преобразования Хафа и GHT
H-открытие - объединение проекций изображения A(p) на отдельные прямые линии:
Pr(A(p),t) = MAXqQ(A(q,t)Pr(A(p),(p,q))) = MAXqQ(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).
№49 слайд
Содержание слайда: Проективные морфологические разложения
Морфологический анализ изображений
Переход от образов к изображениям (двумерным функциям):
Введем пространства параметров изображения P и разложения Q:
AA(p); EkEk(p)(p,q); EE(p,q).
Морфологические разложения изображений:
Морфо-геометрическая проекция:
Pr(A(p),E(p,q))=VqQ(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)||.
№51 слайд
Содержание 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, EkE},
(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»).
№85 слайд
Содержание 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).
№86 слайд
Содержание слайда: Морфологический анализ свидетельств
Анализ морфологических свидетельств
Морфологическое событие:
e(p)={f(A,p)=eX}.
Морфологическая гипотеза:
h(q)={(A) = L(q)}.
Модель голосования:
P(E(A),h(q))=pX, 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.
№87 слайд
Содержание 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).
№89 слайд
Содержание 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
№90 слайд
Содержание 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
№103 слайд
Содержание 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.
№104 слайд
Содержание 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
№105 слайд
Содержание 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.
№106 слайд
Содержание 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 = { | }
№107 слайд
Содержание 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)
№108 слайд
Содержание 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.
№109 слайд
Содержание 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)||)
№110 слайд
Содержание 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…).
№111 слайд
Содержание 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,
№112 слайд
Содержание 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.
№113 слайд
Содержание 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.
№114 слайд
Содержание 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.
Скачать все slide презентации Development of Applied Computer Vision Systems Using Projective Morphologies and Evidence-Based Image Analysis одним архивом:
-
EARLY MODERN ENGLISH PHONOLOGICAL AND MORPHOLOGICAL SYSTEM
-
STRATEGIC VISION AND 2007/08 ACADEMIC YEAR Марина ЛАТУХА Старший преподаватель кафедры организационного поведения и управления персоналом Высшая шк
-
Подарите себе Таллинн! Enterprise Estonia / Brilliant / Corpore / Imageland North-West
-
Агентство Brand Vision Republic - официальный партнёр ГО «Укрзалізниця» - презентация
-
Организация экономического сотрудничества и развития (ОЭСР) (Organization for Economic Cooperation and Development - OECD) Хандюкова Ксения 3ЭФМ
-
Political systems of the world and the Nenets autonomous okrug
-
Computers and modern technologies
-
Historical development of English and Russian parts of speech
-
Willkommen!. Das Computerspiel Märchenland
-
Vocabulaire. Exercices. Phonétique. Lecture. Visionnage. Image. Le nouvel édito B1. Leçon 7