คำถามติดแท็ก image-segmentation

ฉันได้ทำการวิจัยจำนวนมากและค้นพบวิธีการเช่นการปรับเปลี่ยนตามธรรมชาติ, การทำสันปันน้ำเป็นต้นซึ่งสามารถใช้ในการตรวจจับหลอดเลือดดำในใบ อย่างไรก็ตามการกำหนดเกณฑ์ไม่ดีเพราะมันมีเสียงรบกวนมาก ภาพทั้งหมดของฉันเป็นภาพสีเทาใคร ๆ ก็สามารถแนะนำวิธีการที่จะนำมาใช้ในขณะที่พิจารณาปัญหานี้ในความต้องการความช่วยเหลือเร่งด่วน แก้ไข: ภาพต้นฉบับของฉัน หลังจากการนวดแป้ง ตามคำแนะนำของคำตอบฉันได้ลองการตรวจจับขอบต่อไปนี้ แสนรู้ เสียงรบกวนมากเกินไปและสิ่งรบกวนที่ไม่พึงประสงค์ โชเบล โรเบิร์ต แก้ไข: พยายามอีกหนึ่งการดำเนินการฉันได้รับผลลัพธ์ต่อไปนี้ดีกว่าสิ่งที่ฉันพยายามด้วยแสนรู้และปรับตัวคุณรู้สึกอย่างไร

47 image-processing  computer-vision  image-segmentation  thresholding 

ฉันต้องการทราบขอบเขตของการเรียงต่อหกเหลี่ยมในภาพถ่ายเหมือนในภาพด้านล่าง: สำหรับฉันแล้วดูเหมือนว่าวิธีการมาตรฐานที่กริดสแควร์คือการตรวจจับมุม (เช่นแสนอร่อย) ก่อนแล้วจึงแยกเส้นที่ยาวที่สุดผ่านการแปลง Houghหรือสิ่งที่คล้ายกัน นี่ไม่ใช่วิธีที่ดีที่สุดในการปูกระเบื้องด้วยเลขฐานสิบหกเนื่องจากความยาวของเส้นด้านนอกสั้นกว่าและเป็นการยากที่จะแยกพวกมันออกจากเส้นอื่น มีอัลกอริธึมที่จะแก้ไขปัญหานี้หรือไม่? มันเป็นเรื่องดีที่จะมีทางออกใน opencv แต่ฉันก็สนใจในความคิดทั่วไป อัปเดต: ด้วย python และ opencv ฉันสามารถรับผลลัพธ์นี้ได้: นี่คือรหัสของฉัน: import cv2 import numpy as np imgOrig = "test1"; img = cv2.imread(imgOrig+".jpg"); lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3) imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) size = img.shape m …

16 image-processing  opencv  image-segmentation 

อย่างไรก็ตามมีการแบ่งกลุ่มวัตถุตามระยะห่างจากผู้ดูหรือไม่ ค่าสีสามารถประเมินสิ่งเหล่านี้ได้หรือไม่? ระดับความเข้มจะช่วยในการกำหนดว่าวัตถุนั้นมาจากผู้ชมมากแค่ไหน ภาพอื่น:

16 image-processing  computer-vision  image  image-segmentation 

อัลกอริธึมการลงทะเบียนภาพมักขึ้นอยู่กับคุณสมบัติของจุดเช่น SIFT (การแปลงคุณลักษณะแบบไม่แปรปรวน) ผมเห็นอ้างอิงบางคุณสมบัติบรรทัด แต่ผมสงสัยว่าถ้ามันจะเป็นไปได้ที่จะตรงกับกลุ่มภาพแทนของจุด ตัวอย่างเช่นกำหนดแหล่งที่มาและภาพที่แปลง: ฉันสามารถทำการตรวจจับขอบ, การเบลอและการแปลงลุ่มน้ำในแต่ละ: น่าเสียดายที่การแบ่งส่วนนั้นแตกต่างกันไปในแต่ละภาพเพื่อให้ตรงกับแต่ละส่วน ฉันเห็นกระดาษบางส่วนเกี่ยวกับการจับคู่รูปร่างและตัวอธิบายรูปร่างซึ่งไม่แปรเปลี่ยนเพื่อเลียนแบบการแปลงดังนั้นพื้นที่นี้จึงดูเหมือนว่าจะมีแนวโน้ม ... มีวิธีการแบ่งส่วนใดที่มีประสิทธิภาพมากกว่าในการเลียนแบบ (หรือแม้แต่ฉายภาพ) ของภาพ

15 local-features  image-segmentation  image-registration 

สวัสดีชุมชน CV / รูปแบบการรับรู้ ฉันมีปัญหาร้ายแรงเกี่ยวกับการแบ่งส่วนของรูปภาพ สถานการณ์เป็นบรรยากาศภายในเตาหลอมซึ่งทำให้หัวฉันเสียสติ และฉันต้องการตรวจจับวัตถุรูปทรงของวัสดุที่แตกต่างกัน (แก้ว, เซรามิก, อัล, ไออาร์ .. ) ในช่วงเวลาสั้น ๆ (<10 วินาที) และไม่ใช่แค่กรณีพิเศษอย่างเดียว ฉันยังต้องการเส้นชั้นความสูงในแถวพิกเซลต่อเนื่องเพื่อรับรหัส ดังนั้นจำเป็นต้องใช้รหัสลูกโซ่หรือที่เรียกว่าการติดตามเส้นขอบ / รูปร่างดังนั้นรูเปิดจึงไม่ดี ในพื้นหลังไม่ใช่เสียงเชิงเส้นประมาณฝุ่นอนุภาคหรืออย่างอื่นที่ปรากฏขึ้นเป็นครั้งคราว ยินดีต้อนรับข้อเสนอแนะ Matlab หรือ OpenCV เพื่อให้ชัดเจนยิ่งขึ้นฉันได้โพสต์ภาพเป้าหมายและวัตถุโปร่งใสครึ่งหนึ่งซึ่งต้องตรวจจับด้วย นอกจากนี้ยังมีตัวอย่างเพิ่มเติมที่ต้องระวัง อย่างที่คุณเห็นในภาพ # 1 มีอนุภาคอยู่ทางด้านขวาของภาพและใกล้กับรูปร่างชั้นนอกของดาวซึ่งเป็นวัตถุ ความคมชัดโดยรวมยังไม่ดีมาก วัตถุนั้นตั้งอยู่บนชั้นใต้ดินซึ่งไม่เกี่ยวข้องกับการตรวจจับเส้นชั้นความสูง รูปภาพ # 2 แสดงวัตถุแบบกึ่งโปร่งใสซึ่งเป็นไปได้เช่นกัน ฉันต้องการค้นหารูปร่าง / ขอบเขตของวัตถุนั้นเช่นบนหน้าจอถัดไป (เส้นสีแดง) สี่เหลี่ยมสองรูป (สีเหลือง) กำลังทำเครื่องหมายจุดเริ่มต้น (ซ้าย) และจุดสิ้นสุด (ขวา) เส้นสีฟ้านั้นไม่น่าสนใจ …

15 matlab  opencv  computer-vision  edge-detection  image-segmentation 

ฉันพยายามเพื่อจุดประสงค์การเรียนรู้ของฉันเองเพื่อพัฒนาการใช้อัลกอริทึมที่จะเขียนรายการหนังสือโดยกำหนดภาพของชั้นวางหนังสือดังนี้ ขั้นตอนแรกคือการแบ่งภาพออกเป็นแต่ละเล่ม อัลกอริทึมของฉันในMathematicaคือ: img = ColorConvert[Import["http://i.stack.imgur.com/IaLQk.jpg"], "GrayScale"] ทำการตรวจจับขอบพื้นฐาน & ลบข้อความและพยายามรักษาความยาวบรรทัด edge = DeleteSmallComponents[EdgeDetect[img, 3],Last[ImageDimensions[img]]/5] จากนั้นลบเส้นแนวนอนที่ไม่พึงประสงค์ lines = Sort[ImageLines[img5] /. {{0., _}, {_, _}} -> Sequence[]] Show[img, Graphics[{Thick, Orange, Line /@ lines}]] แม้ว่าผลลัพธ์จะน้อยกว่ามาก: คำถามของฉันคือ: ฉันจะปรับปรุงสิ่งนี้เพื่อให้ได้ผลลัพธ์ที่ดีขึ้นได้อย่างไร มีวิธีที่ฉลาดกว่านี้หรือไม่? ฉันควรประมวลผลรูปภาพเพิ่มเติมเพื่อเพิ่มความแม่นยำในระยะ OCR (ในภายหลัง) อย่างไร จะใช้ข้อมูลสีเพื่อปรับปรุงการแบ่งส่วนได้อย่างไร

13 opencv  computer-vision  image-segmentation 

จะมีวิธีอย่างไรในการสร้างกิ่งก้านขึ้นใหม่ในภาพถ่ายของต้นไม้ที่ส่วนของกิ่งก้านปกคลุมด้วยใบไม้ ฉันสามารถแยกส่วนต่าง ๆ ที่มองเห็นได้ของกิ่งไม้โดยการตั้งค่าใหม่และเปิดด้วยส่วนของเส้นตรงในมุมที่แตกต่างกันไม่กี่ แต่ฉันจะ (ประมาณ) เติมช่องว่างที่ถูกปกคลุมด้วยใบไม้ได้อย่างไร สมมติว่าเราเริ่มต้นด้วยภาพวาดของต้นไม้นี้: โหลดภาพเป็นโทนสีเทา uu = mmreadgray ('tree2.jpg') เกณฑ์สีเข้ม แปลงเป็นไบนารี่ ลบภูมิภาคที่เชื่อมต่อภายใต้พื้นที่ 200px vv = mmareaopen (mmbinary (mmthreshad (mmneg (uu), 200)), 20) vv แบบเปิดที่มีส่วนของเส้น 10px ที่ 90 องศา, 180 องศา, 135 องศาและ 45 องศา; เพิ่มภาพเหล่านี้เข้าด้วยกันเพื่อสร้างภาพเครื่องหมาย zz zz = mmaddm (mmaddm (mmaddm (mmopen (vv, mmseline (10, 90)), …

12 image-processing  matlab  image-segmentation  morphology 

ฉันกำลังทำงานในโครงการที่มีการฉายบริเวณขอบภาพกับเรื่องและถ่ายภาพ ภารกิจคือการหาเส้นกลางของขอบซึ่งเป็นตัวแทนทางคณิตศาสตร์, เส้นโค้ง 3 มิติของการแยกระหว่างระนาบขอบและพื้นผิวของเรื่อง ภาพถ่ายเป็น PNG (RGB) และความพยายามในอดีตเคยใช้การไล่ระดับสีเทาจากนั้นจึงปรับความแตกต่างของภาพเพื่อให้ได้ภาพถ่ายขาวดำที่มีลักษณะคล้ายม้าลายซึ่งง่ายต่อการค้นหาจุดกึ่งกลางของแต่ละพิกเซลของแต่ละขอบ ปัญหาคือโดยการกำหนดค่าใหม่และด้วยการใช้ความสูงเฉลี่ยของคอลัมน์พิกเซลแยกเรามีการสูญเสียและความแม่นยำเชิงปริมาณบางอย่างซึ่งไม่ต้องการเลย ความประทับใจของฉันจากการดูภาพคือเส้นกลางอาจต่อเนื่องได้มากกว่า (มีจุดมากขึ้น) และนุ่มนวลขึ้น (ไม่นับจำนวน) หากตรวจพบได้โดยตรงจากภาพที่ไม่ผ่านเกณฑ์ (เช่น RGB หรือโทนสีเทา) โดยวิธีการทางสถิติ (น้ำท่วม / วนซ้ำวนซ้ำอะไรก็ตาม) ด้านล่างเป็นภาพตัวอย่างจริง: ข้อเสนอแนะใด ๆ ที่จะได้รับการชื่นชมมาก!

12 image-processing  peak-detection  image-segmentation 

ฉันมีภาพอินพุต: และเอาท์พุทของการตรวจจับหลอดเลือดดำสำหรับใบไม้โดยใช้ตัวกรอง Gabor แต่ผลลัพธ์นั้นเสียงดังมาก: ฉันลองใช้การผันแปรโดยรวม denoising แต่ผลลัพธ์ไม่ดี: อย่างไรก็ตามฉันไม่ต้องการที่จะหลวมรายละเอียดที่ดีในหลอดเลือดดำของใบไม้ดังนั้นตัวกรองเฉลี่ยจะไม่เหมาะกับปัญหาของฉัน

12 image-processing  computer-vision  image  image-segmentation  total-variation 

ฉันกำลังอ่านข้อมูลเกี่ยวกับเทคนิคการแบ่งส่วนภาพและฉันก็สงสัยเกี่ยวกับยุคปัจจุบันอัลกอริทึมการแบ่งส่วนที่ล้ำสมัย เทคนิคการแบ่งส่วนปัจจุบันใดที่เป็น 'ต้องอ่าน' เช่นปัจจุบันใช้กันมากที่สุดในชุมชน คุณใช้เทคนิคใดในการติดต่อและพบว่ามีประสิทธิภาพและมีประโยชน์มากที่สุด (และแอปพลิเคชันใด)

11 image-processing  image-segmentation 

ฉันติดอยู่กับปัญหาเกี่ยวกับการแบ่งส่วนของวัตถุที่เป็นแก้ว ฉันต้องการวัตถุที่แม่นยำที่สุดเท่าที่จะเป็นไปได้ แนวทางของฉันแตกต่างกัน ตอนแรกฉันพยายามที่จะลบพื้นหลังเพื่อให้มีเพียงส่วนโค้งที่คมชัดเท่านั้น แต่ใช้งานได้กับวัตถุที่มีขอบ / การไล่ระดับสีคม มิฉะนั้นวัตถุก็จะถูกลบออกด้วย ฉันโพสต์ภาพที่แตกต่างกันสองภาพ ฉันพยายามที่จะลบพื้นหลังผ่านการดำเนินการทางสัณฐานวิทยาเช่นการขยายสีเทาและ divison บนมัน แต่มันก็ไม่ได้ช่วยอะไรมาก หลังจากนั้นฉันลองใช้วิธี k โดยใช้ k = 3 เพื่อให้ได้พื้นหลังที่ถูกดัดแปลงแยกออกจากค่าสีเทาและสีดำของแก้ว ไม่ประสบความสำเร็จในบางกรณี แต่ไม่รวม / โดยเฉลี่ย ฉันยังพยายามตรวจจับขอบแสนรู้ด้วยตัวกรองเบลอโดยรวม แต่สิ่งที่นำไปสู่ผลลัพธ์ที่อ่อนแอลงในรูปแบบของรูปทรงเปิดเสียงรบกวนมากมาย ฯลฯ pp Canny ด้วยผลลัพธ์ขีด จำกัด อัตโนมัติ: testimg = imread('http://i.imgur.com/huQVt.png'); imshow(testimg) imedges = edge(testimg,'canny'); imshow(imedges); กันไปสำหรับภาพที่สอง อย่างที่คุณเห็นมีเสียงรบกวนมากมายทั้งในและนอกและเพิ่มขอบสองเท่าจากขอบแก้ว แม้จะมีช่องว่างที่ขอบ ดังนั้นฉันต้องการคำแนะนำของคุณสำหรับวิธีการทั่วไปในการจัดการกับปัญหาของวัสดุกึ่งโปร่งใสนี้ไม่ใช่เพียงแค่ภาพสองภาพนี้ 1) แนวคิดอื่น ๆ สำหรับการลบพื้นหลังโดยไม่ทำให้วัตถุเสียหายหรือไม่ 2) วิธีการแบ่งส่วนอื่น …

11 image-processing  matlab  computer-vision  image-segmentation 

ฉันคุ้นเคยกับการเพิ่มเติม (RGB), substractive (CMYK), และ coloraces เหมือน HSV แต่บทความที่ฉันพยายามจะเข้าใจในขณะนี้ดำเนินการในพื้นที่สีYCbCrสำหรับการแบ่งส่วนภาพ / ความหมายของวัตถุ ฉันใช้เวลาส่วนใหญ่ในตอนเช้าเพื่อหาสิ่งที่จะอธิบาย YCbCr ตามธรรมชาติ แต่ฉันก็ไม่เข้าใจ ฉันได้รับคำอธิบายที่ดีและเข้าใจง่ายเกี่ยวกับแนวคิดทั่วไปที่อยู่เบื้องหลังพื้นที่สีนี้ ที่นี่และคำอธิบายว่ามันถูกใช้สำหรับการเข้ารหัส / บีบอัดภาพจากพวกเหล่านี้ได้อย่างไร (ทั้งหมดบนภาพถ่าย) สูตรสำหรับการคำนวณจาก YCbCr RGB เป็นมั่นเหมาะสามารถเข้าถึงได้บนวิกิพีเดีย ฉันได้รับแรงจูงใจสำหรับการเป็นตัวแทนนี้ฉันได้รับองค์ประกอบ Y ที่มีข้อมูลระดับสีเทาที่สำคัญที่สุด (ต่อสายตามนุษย์) เกี่ยวกับภาพ ฉันได้รับ Cb และ Cr นำข้อมูลเกี่ยวกับสีและ (เนื่องจากความรู้สึกของคน (ใน) ความรู้สึก) พวกเขาสามารถบีบอัดได้โดยไม่สูญเสียคุณภาพที่มองเห็นได้ แต่องค์ประกอบ Chrominance แต่ละอันนั้นแสดงถึงอะไร? ในขณะที่ผู้เขียนบทความกล่าวว่า "ข้อมูล chrominance เป็นสิ่งสำคัญที่สุดในการกำหนดวัตถุ" ในวิธีการของพวกเขาและฉันไม่สามารถเข้าใจสิ่งที่ฉันกำลังอ่านกับ "Y คือความเข้ม Cb และ …

11 image-processing  image-segmentation 

ฉันมีความยากลำบากในการทำความเข้าใจวิธีการคำนวณอัตราข้อมูลเมื่อยกระดับการสุ่มตัวอย่างด้วยสีในตัวอย่างของภาพ Y'UV: ฉันมีตัวอย่างต่อไปนี้สำหรับการคำนวณ: ความละเอียดของภาพ: 352*288 ความถี่: 25 fps สำหรับ(4: 4: 4)การคำนวณตัวอย่างจะเป็นดังนี้: (352px * 288px) * 3 color channels * 25 fps * 8 bit = 60 825 600 bit/s จนถึงตอนนี้ดีมาก แต่ตอนนี้มาถึง(4: 2: 0) : (352px*288px) * 1.5 color channels * 25 * 8 = 30 412 800 bit/s ตอนนี้พยายามที่จะถ่ายโอนตัวอย่างนี้ไปยังเช่น(4: 1: …

10 image-processing  image-processing  matlab  fourier-series  wavelet  transform  image-processing  matlab  image  image-processing  image-registration  segmentation  image-processing  edge-detection  canny-edge-detector  tracking  image  fft  stft  image-processing  preprocessing  segmentation  image-processing  computer-vision  image-segmentation  thresholding  frequency-spectrum  wave  image-processing  edge-detection  window-functions  image-processing  optical-flow  image-processing  ocr  text-recognition  image-processing  computer-vision  frequency-spectrum  image-processing  image-processing  computer-vision  fourier-transform  dsp-core  wave  image-processing  3d 

ฉันพยายามใช้อัลกอริทึมสำหรับการนับจำนวนรถยนต์เป็นภาพเรียบร้อยแล้ว ฉันได้ลองใช้วิธีการสำหรับการนับยานพาหนะในการแสดงตนของยานพาหนะหลายภาพในภาพการจราจร มันประเมินพื้นหลังจากชุดของภาพต่าง ๆ ฉันได้ดูเทคนิคอื่น ๆ เพื่อจุดประสงค์นี้และสิ่งเหล่านี้ในทางเดียวหรืออื่น ๆ ใช้การประเมินพื้นหลังทั้งจากชุดภาพหรือต้องการวิดีโอ ฉันมีภาพอินพุตภาพจราจรที่พื้นหลัง (อาจเป็นถนนในเอกสารส่วนใหญ่) แทบจะมองไม่เห็น ยิ่งไปกว่านั้นภาพนั้นมาจากพื้นที่ที่แตกต่างกันดังนั้นจึงไม่มีพื้นหลังเหมือนกัน ฉันควรดำเนินการอย่างไรในกรณีนั้น ฉันคิดว่าถ้าอย่างใดฉันสามารถตรงกับโครงสร้างของยานพาหนะ (รถยนต์) แล้วพวกเขาอาจจะสามารถจับคู่ แต่ฉันไม่รู้ว่าสิ่งนี้เป็นไปได้หรือไม่และเป็นวิธีการดำเนินการต่อเนื่องจากภาพมียานพาหนะที่ถูกบดบังหลายคันเช่นกัน คำแนะนำใด ๆ หรือแม้กระทั่งงานวิจัยก็ยินดีต้อนรับ ภาพตัวอย่างมีดังนี้:

9 image-processing  matlab  computer-vision  image-segmentation 

ฉันทำงานเกี่ยวกับโปรเจคมาระยะหนึ่งเพื่อตรวจจับและติดตามยานพาหนะในวิดีโอที่ถ่ายจาก UAV ในขณะนี้ฉันใช้ SVM ที่ได้รับการฝึกอบรมเกี่ยวกับการนำเสนอคุณสมบัติถุงของคุณลักษณะท้องถิ่นที่ดึงมาจากยานพาหนะและภาพพื้นหลัง จากนั้นฉันใช้วิธีตรวจจับหน้าต่างแบบเลื่อนเพื่อลองและ จำกัด ยานพาหนะในรูปภาพซึ่งฉันต้องการติดตาม ปัญหาคือวิธีการนี้ช้าและตัวตรวจจับของฉันไม่น่าเชื่อถือเท่าที่ฉันต้องการดังนั้นฉันจึงได้รับผลบวกที่ผิดพลาดเล็กน้อย ดังนั้นฉันจึงพิจารณาที่จะพยายามแบ่งส่วนรถยนต์จากพื้นหลังเพื่อค้นหาตำแหน่งโดยประมาณเพื่อลดพื้นที่การค้นหาก่อนที่จะใช้ตัวจําแนกของฉัน แต่ฉันไม่แน่ใจว่าจะไปเกี่ยวกับเรื่องนี้อย่างไรและหวังว่าจะมีคนช่วย นอกจากนี้ฉันได้อ่านเกี่ยวกับการแบ่งส่วนการเคลื่อนไหวด้วยเลเยอร์โดยใช้ออปติคัลโฟลว์เพื่อแบ่งเฟรมตามโมเดลโฟลว์ไม่มีใครมีประสบการณ์ใด ๆ กับวิธีการนี้ถ้าเป็นเช่นนั้นคุณสามารถให้อินพุตบางส่วนได้หรือไม่ ปัญหาของฉัน UPDATE : ฉันโพสต์คำถามนี้ไว้ใน stack overflow ด้วยและมีคำตอบที่ยอดเยี่ยมฉันได้ใช้ความคิดนี้ไปแล้วและมันก็ทำงานได้ดีมากและตอนนี้ฉันก็กำลังตรวจสอบการใช้ optical flow นอกเหนือจากเทคนิคนี้ ด้านล่างเป็นสองเฟรมจากวิดีโอตัวอย่าง กรอบ 0: กรอบ 5:

9 image-segmentation  classification  object-recognition  motion-detection  visual-tracking