Bu belirli kaydırma / ölçek değişmez şablon eşleştirme için hangi görüntü işleme teknikleri idealdir?

Başlangıçta burada tartıştığım bir sorun gelişti ve biraz daha çalışıp yeni bilgilere ulaştığımda biraz daha basit hale gelmiş olabilir.

Sonuç olarak, burada gösterilen bu modeli bilgisayar görme / görüntü işleme teknikleri kullanarak tespit edebilmek istiyorum. Gördüğünüz gibi, ideal desen dört 'ping'ten' oluşur. Nesne tanıma şöyle olmalıdır:

• Vardiya Değişmezliği
  • Yatay olarak, görüntü döngüsel olacaktır. (yani, Sağa it, soldan çıkar ve tersi).
  • (Neyse ki) Dikey olarak, döngüsel değildir. (yani, yukarı veya aşağı itin ve duracaktır).
• Ölçek Değişmez (Pingler gördüğünüz gibi 'kalınlık' olarak değişebilir.)

Bu konuda devam edebilirdim ama ne demek istediğimi kapsayan resimler ekledim, lütfen aşağıya bakın:

Tabii ki, bu aileden de görülebileceği gibi farklı bir 'ölçekte' olabilirler:

Ve son olarak, aslında ne alabileceğimin, gürültünün olacağı bazı 'gerçekçi' senaryolar var, satırlar aşağıya doğru giderken 'soluyor' ve elbette görüntünün bol miktarda sahte çizgisi, eserleri olacak , vb.

Ve elbette, büyük bir final olarak, bu 'aşırı' senaryonun belirgin olasılığı vardır:

Bu yüzden, bir kez daha, gördüğüm gibi vardiya ve ölçek değişmez olmam gereken desenimin oluşumunu en iyi tespit etmek için burada hangi bilgisayar-makine-görme tekniklerini kullanmam gerektiğine dair bir rehberlik istiyorum ve gerçekçi senaryolar için de iyi sonuçlar alabiliyoruz. (İyi haber rotasyonel değişmez olması gerekmiyor). Şimdiye kadar ortaya koyabildiğim tek fikir 2-boyutlu bir korelasyon.

Şunu da eklemeliyim ki, gerçekte renkli görüntülerim YOKTUR - sadece sayıların bir rakamını alacağım, bu yüzden 'gri tonlama' hakkında konuştuğumuzu düşünüyorum.

Şimdiden teşekkürler!

PS Onun değeri için muhtemelen açık C V kullanacağız.

DÜZENLEME # 1:

Yorumlara dayanarak, burada istediğiniz bilgileri ekledim:

Verileri tanımlayan özellikler için aşağıdakileri varsayabiliriz:

• Her pingin yatay uzunluğu değişebilir, ancak üst ve alt sınırlarını biliyorum. Bu sınırdaki herhangi bir şey için EVET, dışarıdaki hiçbir şey için HAYIR. (Örnek, pinglerin uzunluğunun örneğin 1 ila 3 saniye arasında olabileceğini biliyorum).

• Tüm pinglerin EVET için 'görünür' olması gerekir, ancak son satır eksik olabilir ve yine de 'EVET' demek isteyebilirsiniz. Aksi takdirde HAYIR.

• Her pingin dikey uzunluğu ('kalınlığı') değişebilir, ancak yine üst ve alt sınırı da bilir. (Bu görüntülerde gördüklerinize benzer). Bu sınırdaki herhangi bir şey için EVET. Dışında bir şey için HAYIR.

• Her ping arasındaki yükseklik EVET için her zaman aynı olmalıdır. Değilse, HAYIR. (Örnek olarak, tüm pinglerin birbirine göre aynı yükseklikte, dikey eksende ~ 110 olduğunu görebilirsiniz). Yani 110 +/- 5 EVET olabilir, başka bir şey HAYIR olmalıdır.

Bu konuda düşünüyorum - ama başka ne ekleyebilirim bana bildirin ... (Ayrıca, burada gösterilen her şey bir EVET, btw olarak kayıt olmalıdır).

Genel olarak, bu sorunun çözülmesine yönelik iki temel yaklaşım vardır:

a. şablon eşleme veya
b. parametreli bir modelle eşleştirme.

Şahsen, modelin sadeliği göz önüne alındığında, bu sorun için ikinci yaklaşımı tercih ederim.

Adım 1: Ping bloklarını belirleme

İlk adım olarak, "Kutular" ayıklayın - aslında sarı / mavi kareler. Buradaki en basit yöntem, görüntüyü eşleştirmek olabilir. Gürültü arttıkça pinglere oldukça benzer olma eğilimi dışında arka planda çok fazla varyasyon görünmemektedir. Bu nedenle, eşik görüntü boyunca küresel olabilir - ve bence görüntüler arasında işe yarayacak iyi bir eşik elde edebileceksiniz. Ancak, eşik akıllı olmalı, böylece Otsu'nun yöntemi gibi bir şey kullanabilirsiniz. Daha fazla referans için bu ve buna bakın .

Blokların iyileştirilmesi

Ping'in içindeki bazı piksellerin de mavi olduğu ping ön planına benzeyen sahte noktaları kaldırmak için yapabileceğiniz iyi şeylerden biri. Burada "Açılış" adı verilen morfolojik bir operasyona ihtiyacınız var. İşte HIPR'nin referanslarından biri . Bu tür işlemler, benzer şekillerin korunmasına ve diğerlerinin kaldırılmasına yardımcı olan akıllı bir şekil gerektirir. Sizin durumunuzda yatay çizgiler seçebilirsiniz. Bunun sonunda, pingleri birbirine dokunmadan düzgün bir şekilde ayıran arka plan ve ön plan pikselleriniz olur.

2. Adım: Blokları işaretleyin / kaydedin

Artık mümkün olan en temiz lekelere sahip olduğunuza göre, bunları 1,2,3,4 veya A, B, C, D vb. Olarak işaretleme zamanı. Bu genellikle basit bir algoritma olarak adlandırılır. Her pikselden geçin ve herhangi bir işaretli bölgeye dokunuyorsa ve aynı zamanda ön plandaysa, o segmente atayın, başka bir tane oluşturun. 4'ten fazla önemli segment bulursanız, en alakalı olanları seçmeniz gerekir. Herhangi bir teorik algoritma yerine biraz sezgisel tarama uygulayın.

Adım 3: Parametrelerin modellenmesi

Şimdi, karşılık gelen 4 pingin en büyük 4 adayını aldığımızda, sınırlayıcı kutuları tanımlayabilirsiniz - esas olarak sol üst ve sağ alt köşeleri (veya bloğun üst ve alt sıralarının yanı sıra sol ve sağ çoğu piksel) . Sınırlayıcı kutuyu bulun, her ping kutusunun centroidini cezalandırabilirsiniz.

$C_i \text{ where } i \in \{1,2,3,4\}$$C_1$$C_1$

böylece merkezler arası mesafeler hesaplanabilir:

$L_i \text{ where } i \in \{1,2,3,4\}$

Aslında 8 parametre vecoter'ınız var:

Adım 4: Sınıflandırma
Son adımda, şimdi bir ping-pattern evet veya hayır olup olmadığına dair bir sınıflandırmaya ihtiyacımız var.

Böyle bir şey için, güzel bir Bayesci sınıflandırıcı çerçevesine sahip olabilirsiniz.

Sahip olduğunuz iki Hipotez var

H0: Ping deseni var.
H1: Ping deseni mevcut değil

$C_{1,i}[x]$

Birincisi , resme ait olduklarını bildiğiniz birçok resim üzerinde çalışıyorsunuz. Şimdi, çeşitli histogramları çizebilir veya yoğunluk tahmin yönteminin bazı yöntemlerini uygulayabilirsiniz. Duda Hart'ın Desen Sınıflandırmasını okuyun.

$C_{1,i}[x]$$\mu = 20, \sigma = .1$

$C_{1,i}$$H0$$P[ C_{1,i}[x] | H0 ]$

Şimdi, test verilerinden

$P[ H0 | C_{1,i}[x] =x_1]$$C_1[x]$$x_1$$H0$

Böylece, hesaplayabilirsiniz

Bu ifadeyi vektör ifadesi için birleştirmeniz ve parametre tahmininin tam olarak yapılması için çok çaba sarf etmeniz gerekir. Ama sizi burada temel bir yaklaşımla bırakıyorum.

Lütfen kendi matematiğinizi yapın, bu uzun olacak, ancak yine de oldukça sezgisel olmalıdır.

$P[H0 | \text{all parameters}] > 1/2$

DÜZENLE
110 +/- 5 piksele özgü ölçütleri zaten tanımladığınızdan, son adım daha basit olabilir. Sınıflandırma kriterleriniz sabitse, muhtemelen tüm bu olasılıkları hesaplamanıza gerek yoktur.

Bu sorun görünüyor darbe tekrarlama aralığı algılama + tahmini sorunu gibi bana. Bu cevabı zaman içinde geliştirmem gerekecek, ancak bu problemde iyi çalışan algoritmalar bir kafes üzerindeki maksimum olasılıktır .