Презентация Интеллектуальные системы. Компьютерное зрение онлайн
На нашем сайте вы можете скачать и просмотреть онлайн доклад-презентацию на тему Интеллектуальные системы. Компьютерное зрение абсолютно бесплатно. Урок-презентация на эту тему содержит всего 56 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 » Технология » Интеллектуальные системы. Компьютерное зрение
Оцените!
Оцените презентацию от 1 до 5 баллов!
- Тип файла:ppt / pptx (powerpoint)
- Всего слайдов:56 слайдов
- Для класса:1,2,3,4,5,6,7,8,9,10,11
- Размер файла:4.06 MB
- Просмотров:122
- Скачиваний:4
- Автор:неизвестен
Слайды и текст к этой презентации:
№2 слайд
![Основные понятия Компьютерное](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img1.jpg)
Содержание слайда: Основные понятия
Компьютерное зрение — теория и технология создания машин, которые могут видеть.
Как научная дисциплина, компьютерное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений. Видеоданные могут быть представлены множеством форм, таких как видеопоследовательность, изображения с различных камер или трехмерными данными с медицинского сканера.
№3 слайд
![Примеры применения систем](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img2.jpg)
Содержание слайда: Примеры применения систем компьютерного зрения
Системы управления процессами (промышленные роботы, автономные транспортные средства)
Системы видеонаблюдения
Системы организации информации (например, для индексации баз данных изображений)
Системы моделирования объектов или окружающей среды (анализ медицинских изображений, топографическое моделирование)
Системы взаимодействия (например, устройства ввода для системы человеко-машинного взаимодействия)
№10 слайд
![Сглаживание изображений Всем](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img9.jpg)
Содержание слайда: Сглаживание изображений
Всем устройствам получения изображений присуще наличие шумов в получаемых изображениях. Шумы могут порождаться как самим устройством (шум матрицы, шум обрабатывающих устройств и т.д.), так и носить объективный характер.
Поэтому один из важных этапов в обработке изображения является устранение шумов или сглаживание изображения.
№11 слайд
![Сглаживание изображений Один](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img10.jpg)
Содержание слайда: Сглаживание изображений
Один из способов сглаживания изображения состоит в том, чтобы каждому пикселу присваивалось среднее значение характеристик его соседних пикселов. Такой способ обработки, как правило, исключает экстремальные значения.
Основная проблема данного способа: сколько нужно рассмотреть соседних пикселей?
№15 слайд
![Обнаружение краев Целью](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img14.jpg)
Содержание слайда: Обнаружение краев
Целью обнаружения краев является повышение уровня абстракции и переход от перегруженного подробностями мультимегабайтового изображения к более компактному, абстрактному представлению. Необходимость в выполнении такой операции обусловлена тем, что линии краев на изображении соответствуют важным контурам в сцене.
№16 слайд
![Детектор границ Кенни Хотя](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img15.jpg)
Содержание слайда: Детектор границ Кенни
Хотя работа Кенни была проведена на заре компьютерного зрения (1986), детектор границ Кенни до сих пор является одним из лучших детекторов.
Основные этапы детектора:
Убрать шум и лишние детали из изображения
Рассчитать градиент изображения
Сделать края тонкими (edge thinning)
Связать края в контура (edge linking)
№18 слайд
![Вычисление градиента.](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img17.jpg)
Содержание слайда: Вычисление градиента. Оператор Собеля.
Производная (функции в точке) — это скорость изменения функции (в данной точке).
Работая с изображением I, мы работает с функцией двух переменных I(x,y), т.е. со скалярным полем. Поэтому, более правильно говорить не о производной, а о градиенте изображения.
Градиент (от лат. gradiens — шагающий, растущий) — вектор, показывающий направление наискорейшего возрастания некоторой величины, значение которой меняется от одной точки пространства к другой (скалярного поля).
№20 слайд
![Вычисление градиента.](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img19.jpg)
Содержание слайда: Вычисление градиента. Оператор Собеля.
Оператор Собеля — это дискретный дифференциальный оператор, вычисляющий приближение градиента яркости изображения.
Оператор вычисляет градиент яркости изображения в каждой точке. Так находится направление наибольшего увеличения яркости и величина её изменения в этом направлении. Результат показывает, насколько «резко» или «плавно» меняется яркость изображения в каждой точке, а значит, вероятность нахождения точки на грани, а также ориентацию границы.
№21 слайд
![Детектор границ Кенни Границы](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img20.jpg)
Содержание слайда: Детектор границ Кенни
Границы на изображении могут находиться в различных направлениях, поэтому алгоритм Кенни использует четыре фильтра для выявления горизонтальных, вертикальных и диагональных границ. Воспользовавшись оператором обнаружения границ (например, оператором Собеля) получается значение для первой производной в горизонтальном направлении (Gу) и вертикальном направлении (Gx).
Из этого градиента можно получить угол направления границы:
Q=arctan(Gx/Gy)
№22 слайд
![Детектор границ Кенни Угол](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img21.jpg)
Содержание слайда: Детектор границ Кенни
Угол направления границы округляется до одной из четырех углов, представляющих вертикаль, горизонталь и две диагонали (например, 0, 45, 90 и 135 градусов).
Затем идет проверка того, достигает ли величина градиента локального максимума в соответствующем направлении.
№23 слайд
![Детектор границ Кенни](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img22.jpg)
Содержание слайда: Детектор границ Кенни
Например, для сетки 3x3:
если угол направления градиента равен нулю, точка будет считаться границей, если её интенсивность больше чем у точки выше и ниже рассматриваемой точки,
если угол направления градиента равен 90 градусам, точка будет считаться границей, если её интенсивность больше чем у точки слева и справа рассматриваемой точки,
если угол направления градиента равен 135 градусам, точка будет считаться границей, если её интенсивность больше чем у точек находящихся в верхнем левом и нижнем правом углу от рассматриваемой точки
если угол направления градиента равен 45 градусам, точка будет считаться границей, если её интенсивность больше чем у точек находящихся в верхнем правом и нижнем левом углу от рассматриваемой точки.
Таким образом, получается двоичное изображение, содержащее границы (т.н. «тонкие края»).
№24 слайд
![Сегментация изображения Мозг](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img23.jpg)
Содержание слайда: Сегментация изображения
Мозг человека не использует полученные им результаты восприятия в непосредственном виде, а организует эти результаты определенным образом, поэтому вместо коллекции значений яркости, связанных с отдельными фоторецепторами, мозг выделяет целый ряд визуальных групп, которые обычно ассоциируются с объектами или частями объектов.
Сегментация — это процесс разбиения изображения на группы с учетом подобия характеристик пикселов.
№25 слайд
![Сегментация изображения](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img24.jpg)
Содержание слайда: Сегментация изображения
Основная идея сегментаци состоит в следующем: каждый пиксел изображения может быть связан с некоторыми визуальными свойствами, такими как яркость, цвет и текстура. В пределах одного объекта или одной части объекта эти атрибуты изменяются относительно мало, тогда как при переходе через границу от одного объекта к другому обычно происходит существенное изменение одного или другого из этих атрибутов. Необходимо найти вариант разбиения изображения на такие множества пикселов, что указанные ограничения удовлетворяются в максимально возможной степени.
№26 слайд
![Сегментация изображения](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img25.jpg)
Содержание слайда: Сегментация изображения
Процесс сегментации, основанный исключительно на использовании низкоуровневых локальных атрибутов, таких как яркость и цвет, чреват существенными ошибками. Чтобы надежно обнаруживать границы, связанные с объектами, необходимо также использовать высокоуровневые знания о том, какого рода объекты могут повсей вероятности встретиться в данной сцене.
№27 слайд
![Сегментация изображения](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img26.jpg)
Содержание слайда: Сегментация изображения
Методы сегментации можно разделить на два класса:
автоматические – не требующие взаимодействия с пользователем
интерактивные – использующие пользовательский ввод непосредственно в процессе работы.
Задачи автоматической сегментации делятся на два класса:
выделение областей изображения с известными свойствами
разбиение изображения на однородные области
№29 слайд
![Оценка качества работы](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img28.jpg)
Содержание слайда: Оценка качества работы методов сегментации
однородность регионов (однородность цвета или текстуры)
непохожесть соседних регионов
гладкость границы региона
маленькое количество мелких «дырок» внутри региона
и т.д.
Более общий подход к оценке качества работы метода, не учитывающий конкретного приложения, состоит в тестировании методов на общей базе изображений, для которых известна «правильная» сегментация. Например, Berkeley Segmentation Dataset, насчитывает более 1000 изображений, отсегментированных вручную 30 разными людьми.
№30 слайд
![Кластеризация цветового](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img29.jpg)
Содержание слайда: Кластеризация цветового пространства
В постановке задачи сегментации прослеживается аналогия с задачей кластеризации. Для того чтобы свести задачу сегментации к задаче кластеризации, достаточно задать отображение точек изображения в некоторое пространство признаков и ввести метрику (меру близости) на этом пространстве признаков.
№31 слайд
![Кластеризация цветового](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img30.jpg)
Содержание слайда: Кластеризация цветового пространства
В качестве признаков точки изображения можно использовать представление ее цвета в некотором цветовом пространстве, примером метрики (меры близости) может быть евклидово расстояние между векторами в пространстве признаков. Тогда результатом кластеризации будет квантование цвета для изображения. Задав отображение в пространство признаков, можно воспользоваться любыми методами кластерного анализа.
№32 слайд
![Кластеризация цветового](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img31.jpg)
Содержание слайда: Кластеризация цветового пространства
Основная проблема методов кластеризации, состоит в том, что пространственное расположение точек либо не учитывается совсем, либо учитывается косвенно (например, используя координаты точки как один из признаков).
Методы кластеризации плохо работают на зашумленных изображениях: часто теряют отдельные точки регионов, образуется много мелких регионов, и. т. п.
№34 слайд
![Метод выращивание регионов](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img33.jpg)
Содержание слайда: Метод выращивание регионов
Методы этой группы учитывают пространственное расположение точек напрямую.
Методы выращивания регионов основаны на следующей идее. Сначала по некоторому правилу выбираются центры регионов (seeds), к которым поэтапно присоединяются соседние точки, удовлетворяющих некоторому критерию. Процесс выращивания регионов (region growing) останавливается, когда ни одна точка изображения не может быть присоединена ни к одному региону.
№35 слайд
![Метод дробления-слияния](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img34.jpg)
Содержание слайда: Метод дробления-слияния
Методы дробления-слияния состоят из двух основных этапов: дробления и слияния. Дробление начинается с некоторого разбиения изображения, не обязательно на однородные области. Процесс дробления областей происходит до тех пор, пока не будет получено разбиение изображения (пересегментация), удовлетворяющее свойству однородности сегментов. Затем происходит объединение схожих соседних сегментов до тех пор, пока не будет получено разбиение изображения на однородные области максимального размера.
№38 слайд
![Гауссовская пирамида Для](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img37.jpg)
Содержание слайда: Гауссовская пирамида
Для получения слоя (i+1) в Гауссовской пирамиде (обозначим этот слой Gi+1) из слоя Gi пирамиды, нам необходимо сначала свернуть этот слой с помощью Гауссовского ядра, а затем удалить все чётные строки и столбцы. Из этого следует что каждое последующее изображение будет занимать четверть площади его предшественника.
№39 слайд
![Пирамида Лапласа Изображение](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img38.jpg)
Содержание слайда: Пирамида Лапласа
Изображение сначала преобразуется в два раза большее в обоих измерениях, с новыми строками заполненными нулями. А затем выполняется свёртка с заданным фильтром для аппроксимации значений отсутствующих пикселей. Операция получения пирамиды Лапласа не является обратной операции получения гауссовской пирамида. Т.к. в процессе получения каждого нового слоя в пирамиде Гаусса происходит потеря инфорации.
№41 слайд
![Сегментация преобразованием](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img40.jpg)
Содержание слайда: Сегментация преобразованием водораздела
В географии термин водораздел обозначает условную линию, которая разделяет области водосборов разных речных систем. Водосборный бассейн определяет географическую область, вода с которой собирается в одну реку или водохранилище.
Сегментация преобразованием водораздела применяет эту идею к обработке монохромных изображений при решении задачи сегментации.
№52 слайд
![Бустинг Бустинг схема](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img51.jpg)
Содержание слайда: Бустинг
Бустинг – схема классификации, основанная на комбинировании слабых классификаторов в более точный
Обучение состоит из нескольких этапов усиления (boosting rounds)
на каждом этапе выбираем слабый классификатор, который лучше всех сработал на примерах, оказавшихся трудными для предыдущих классификаторов
«трудность» записывается с помощью весов, приписанных примерам из обучающей выборки
составляем общий классификатор как линейную комбинацию слабых классификаторов
№54 слайд
![Каскад Начинаем с простых](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img53.jpg)
Содержание слайда: Каскад
Начинаем с простых классификаторов, которые отбрасывают часть отрицательных окон, при этом принимаю почти все положительные окна
Положительный отклик первого классификатора запускает вычисление второго, более сложного, классификатора, и т.д.
Отрицательный отклик на любом этапе приводит к немедленной отбраковке окна
№55 слайд
![Параметры каскада detection](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img54.jpg)
Содержание слайда: Параметры каскада
detection rate и false positive rate каскада вычисляются как произведение соответствующих ошибок каждого этапа
detection rate 0.9 и false positive rate 10-6 достигаются с помощью каскада из 10 этапов, если на каждом этапе detection rate примерно равен 0.99 и false positive rate примерно 0.3
№56 слайд
![Обучение каскада Задаем](/documents_6/0d0f221495d7fe5eb608cc93737eace1/img55.jpg)
Содержание слайда: Обучение каскада
Задаем требуемые значения detection rate и false positive rate для каждого этапа
Добавляем признаки до тех пор, пока параметры текущего этапа не достигнут заданного уровня
Если общий уровень false positive rate недостаточно низок, добавляем очередной этап
Ложные обнаружения на текущем этапе используются как отрицательные примеры на следующем этапе
Скачать все slide презентации Интеллектуальные системы. Компьютерное зрение одним архивом:
Похожие презентации
-
Интеллектуальные системы в проектировании зданий. Понятие умного дома
-
Разработка интеллектуальной системы освещения растений
-
Архитектура компьютерных систем
-
Плюсы и минусы компьютерного зрения
-
Аппаратная часть компьютерной системы
-
Интеллектуальная система «Умный дом»
-
Аппаратная часть компьютерной системы. Схема простого компьютера
-
Состав, назначение и свойства элементов аппаратного обеспечения компьютерной системы
-
Компьютерные технологии в системе сельской техники
-
Отчет по практике по предмету ПМ 03. 01 Техническое обслуживание и ремонт компьютерных систем и комплексов