纹理描述与分类.ppt

* * * 第七章紋理描述與分類 * 內容 7.1 前言 7.2 鍊碼 7.3 多邊形估計 7.4 對稱軸偵測 7.5 細化 7.6 同現矩陣 7.7 支持向量式的紋理分類 7.8 Adaboost分類法 7.3.1 PA-# 7.3.2 PA-ε * 7.1 前言 描述一張影像內物體的形狀和其紋理。影像的形狀和紋理描述在影像資料庫的檢索和圖形識別上都直接的影響其方法的適用性。 * 7.2 鍊碼 鍊碼(Chain Codes)用來描述影像中物體的外圍。 常用的方位有四方位和八方位。 圖7.2.1 四方位鍊碼 圖7.2.2 八方位鍊碼 * 差分鍊碼 差分鍊碼上的第 i 個碼為原先鍊碼上之第 i 個碼減去第 (i-1) 個碼。 形狀數(Shape Number) 將差分鍊碼看成環型，針對每一個碼將環型鍊碼剪開，比較每一個鍊碼的大小，最小的鍊碼謂之。 圖7.2.3 一個鍊碼的例子 一個例子： 　 八方位鍊碼的字串為212120766665533 　 差分鍊碼為771716770007060 形狀數為000706077171677 * 7.3. 多邊形估計7.3.1 PA-# 問題定義 只允許用最少量的連續線段來表示該物體的外緣，但必需滿足事先設定的誤差。這個多邊形估計的問題叫PA-#問題。 誤差量度 區域平方累積誤差(Local Integral Square Error)，簡稱LISE。 LISE也可以看成所有， ，到直線 的距離平方和。 * 假設在二維空間上有n個點形成的物體外緣，我們以集合{Pk = (xk , yk), k = 1, 2, 3,…, n} 代表之。令LISE為 * 圖 7.3.1.2 PA-#的實作結果 (a) ? = 10，＃=27 (b) ? = 20，＃=19 * 7.3.2 PA-ε 問題定義 在事先設定的線段數量下，找出一個多邊形估計以便達到最小誤差的要求。這個問題叫PA-?問題。 實驗結果 圖 7.3.2.1 PA-?的實作結果 (a) ＃=6 ，? = 650.6 (b) ＃=11， ? = 70 * 7.4 對稱軸偵測 梯度方向柱狀圖(Gradient Orientation Histogram) 利用得到的　　和　　二個梯度量，合成大小為 夾角為 針對每一個　，它代表物體表面的走勢。將　　 分割成 若干份，找到 　對應的角度 x 。 ， * 圖7.4.1 一物體的二個對稱軸 對稱軸偵測 圖7.4.1所示物體在 α 角度和 β 角度有二個對稱軸。 針對每一個x，求出其得到的S(x)。 若將　　 分成1024份，可得S(0)、S(1)、…和S(1023) 共1024個數，從這1024個分數中，挑出最高的二個分數，其對應的角度就是我們要的 α 和 β 。 定義一得分函數 h(x)以 為週期循環 * 圖7.4.2 輸入的影像 圖7.4.3 梯度方向柱狀圖 圖7.4.4 所得對稱軸 * 7.5 細化 細化(Thinning):找物體的骨架(Skeleton)。 骨架的定義 物體 O 的外圍輪廓為 B 。在O內，若能找到一個像素 t 且在 B上能找到二個邊點，e1 和 e2，使得 d(t,e1) = d(t,e2)，則 t 就可為 O 的骨架中之一個元素。這裡距離函數 d(t,ei)，1?i?2，表示像素 t 和邊點 ei 的距離。 圖7.5.2 輸入之影像 圖7.5.3 細化後的結果 * 細化 1 Z7 0 Z8 1 Z9 1 Z4 Z5 1 Z6 0 Z1 0 Z2 1 Z3 圖7.5.1 3×3子影像 利用(7.5.1)式和(7.5.2)式在物體O的外圍不斷地進行細化工作，直到無法再細化為止。 考慮黑白影像的O ，以圖7.5.1為例 N(Z5) :Z5鄰近非零像素個數 T(Z5):灰階由0(1)變到1(0)的個數 N(Z5)=5 T(Z5)=2 (1) 2 ? N(Z5) ? 6 (2) T(Z5) = 1 (3) Z2?Z6?Z8 = 0 (4) Z2?Z4?Z6 = 0 (7.5.1) 當N(Z5)=0或1時，Z5可能為孤立點或最外圍的端點，Z5不必改為0。以東南方的方向進行細化： (1) 2 ? N(Z5) ? 6 (2) T(Z5) = 1 (3) Z4?Z6?Z8 = 0 (4) Z2?Z4?Z8 = 0 (7.5.2) 以東南方的方向進行細化： * 0 1 1 1 1 1 1 0 1 0 0 0 0 1 1 1 1 1 1 0 0 範例1：給定