Görüntülerdeki kıvrımlı nehirleri algılama

Ben yüzeyler: : Her bir yüzey üzerinde ölçülen öznitelik (değişken) sahip . Yüzeylerin çoğu, özelliğin yüzey boyunca rastgele dağılımına sahip olacaktır, ancak bazı yüzeyler (ilginç olanlar) kıvrımlı bir nehir deseni gösterecektir:z i ( x , y ) a i ( x , y $n$$z_i(x,y)$$a_i(x,y)$

yüzeyden hangisinin böyle bir desene sahip olduğunu söyleyecek bir önlem bulmak için yardımınıza ihtiyacım var.$n$

Aşağıda gösterildiği gibi aynı histograma sahip birçok olası harita vardır; dolayısıyla tedbirin mekansal sürekliliği "ödüllendirmesi" gerekir. Bunu göstermek için nehir görüntüsüyle neredeyse aynı histogramla rastgele bir görüntü oluşturdum:

Dolayısıyla görüntü istatistikleri ala entropi sadece çözümün bir parçası olabilir.

Burada kıvrımlı bir nehir deseni olmayan bir görüntü örneği:

Resimlerim sentetik (Matlab'da üretilmiştir). Gerçek hayatta, desensiz görüntü, benzer değere sahip küçük lekeler şeklinde biraz daha uzamsal sürekliliğe sahip olabilir.

Gri tonlamalı resimler:

Çok basit bir önlem, görüntüdeki her satırı, üstündeki satırla karşılaştırmak ve biraz yatay kaydırmaya izin vermek olacaktır.

Mathematica'daki bu basit algoritmayı birlikte hackledim:

Mean[MapThread[
  Function[{line1, line2},
   Min[Table[Norm[line1 - RotateLeft[line2, shift]], {shift, -5, 5}]]
   ], {s[[2 ;;]], s[[;; -2]]}]]

Her bitişik satır çiftini alır, satırlardan birini -5,5 piksel döndürür ve en küçük öklid mesafesini alır. Bu, her sıra çifti için bir öklid mesafesi verir. Sadece ortalamayı alıyorum (ancak gerçek verilerinize bağlı olarak, kesilmiş bir ortalama veya medyan daha sağlam olabilir).

Bunlar yapay olarak üretilen numuneler için elde ettiğim sonuçlardır (Formül: Normalleştir (rastgele gürültü * (1 faktör) + sinyal * faktör))

Sonucu sinyal gücüne göre çizersem, algoritma "kıvrımlı nehir sinyal gücünü" oldukça iyi ölçüyor gibi görünüyor:

EDIT : Giriş örneklerini normalleştirmeyi unuttum. Yüklenen yeni bir sonuç resminin düzeltilmesi

O histogramla doğru yoldasınız gibi görünüyor. Bu, örneğinizin temsili bir görüntüsüyse, histogram, kıvrımlı desenin bulunduğu görüntülerin yalnızca belirli bir eşiğin üzerindeki değerleri içerip içermediğini inceleyerek tespit edilebildiğini gösterir.

Bunun dışında , her görüntünün entropisini elde etmeyi deneyebilirsiniz . Bu size görüntü başına rasgeleliğini karakterize eden bir sayı verecektir. Bundan sonra görüntülerinizin entropilerinin bir histogramını elde edebilirsiniz. Görüntülerin "tamamen rastgele" ve "kıvrımlı rastgele" (yani daha az rastgele) olarak ayrıldığından eminseniz, entropilerin histogramı bimodal olacaktır. Sol mod, daha düşük entropi ve bu nedenle daha az rastgele (kıvrımlı bir desen içermesi daha olası) ve sağ mod için tersi görüntülere karşılık gelecektir.

(BTW MATLAB ilgili bir işlev içerir )

DÜZENLEME: OP yorumlarına yanıt olarak ve sorunla ilgili daha fazla bilgi yükledikten sonra, bu yanıta ek bir nokta daha vardır:

Entropi hala işe yarayacaktı, ancak Shannon'ın formülü tarafından tarif edilen basit basit hafızasız durum (bir zaman serisinin her bir örneğinin öncekilerden bağımsız olduğu varsayıldığı) işe yaramazdı.

Daha basit bir alternatif olarak, görüntünün otokorelasyonunun özelliklerini incelemeyi deneyebilirsiniz .