Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät für Elektrotechnik und Informationstechnik Institut für Elektronik, Signalverarbeitung und Kommunikationstechnik Lehrstuhl für Technische Informatik
Inhaltsverzeichnis Inhaltsverzeichnis... Vorbereitungsaufgaben... 3 Welche Möglichkeiten gibt es zur Bildvorverarbeitung... 3 Welche Möglichkeiten gibt es für die Optimierung der automatischen Objekterkennung bei Linien und flächenhaften Objekten?... 3 Wann und wie ist eine Klassifikation im s/w und im Farbbild mit Grauwert bzw. Farbwertschwellen möglich?... 3 Welche Vorteile ergeben sich aus der Nutzung der Farbinformation?... 3 Was versteht man unter einem Merkmalsraum?... 3 Wie sind die Merkmale Circularity und Rectangularity definiert und as ist die Besonderheit an diesen Größen?... 3 Leiten Sie die theoretischen Werte für einen Kreis und ein Quadrat her!... 4 Warum können die real gemessenen Merkmale von den theoretisch ermittelten abweichen?... 4 Was versteht man unter dem überwachten Minimum-Distance-Klassifikator?... 4 Wann ist eine eindeutige Klassifikation nicht möglich?... 4 Wie muss man verfahren, wenn eine eindeutige Klassifikation nicht möglich ist?... 4 Welche Probleme können sich aus der Auswahl von diesen Merkmalen (Flächeninhalt, Umfang, mittlerer Grauwert) ergeben)?... 5 Versuch... 6 Segmentierung von s/w- und Farbbildern... 6 1. Bildaufnahme...6. Segmentierung des Musterbildes als s/w Bild... 6 3. Segmentierung des Musterbildes als Farbbild... 8 Klassifikation durch Auswertung von geometrischen Merkmalen... 8 Überwachte Minimum Distance Klassifizierung... 10 Klassifikation elektronischer Bauelemente... 11
Vorbereitungsaufgaben Welche Möglichkeiten gibt es zur Bildvorverarbeitung Beleuchtungskorrekturen Glättung Beseitigung von Digitalisierungsfehlern Kontrastverstärkung Normierung (Größe, Form, Farbe) Beseitigung von Inhomogenitäten der Photoschicht des Aufnahmesystems Korrektur von Grauwertverzerrungen (photographischer Effekt) Anpassung von Filtern an bestimmte Frequenzen Welche Möglichkeiten gibt es für die Optimierung der automatischen Objekterkennung bei Linien und flächenhaften Objekten? Nutzung von bestimmten (z.b. minimalen) Umfang- und Flächeninhaltswerten für die automatische Objekterkennung Wann und wie ist eine Klassifikation im s/w und im Farbbild mit Grauwert bzw. Farbwertschwellen möglich? wenn Objekte unterschiedliche Merkmale aufweisen z.b. in Helligkeit (s/w Bild) und Farbe (Farbbild), Größe Welche Vorteile ergeben sich aus der Nutzung der Farbinformation? durch die drei Farbkanäle (RGB) sind mehr Informationen vorhanden, die eine besser Unterscheidung von Objekten ermöglichen Was versteht man unter einem Merkmalsraum? Die Struktur wird bzgl. der Klassifikation durch ihre Merkmale repräsentiert: O {m 1, m, } Durch die Beschreibung durch n Merkmale wird ein n-dimensionaler Merkmalsraum aufgespannt, indem jede Struktur durch einen n-dimensionalen Merkmalsvektor repräsentiert wird. Wie sind die Merkmale Circularity und Rectangularity definiert und as ist die Besonderheit an diesen Größen?
die Circularity (Kreisähnlichkeit) und die Rectangularity (Rechteckigkeit) gibt die Rechteckähnlichkeit und Kreisähnlichkeit von Objekten an Leiten Sie die theoretischen Werte für einen Kreis und ein Quadrat her! Kreis: Rechteck: C U A (πr) πr 4π C (4a) a 16 R A L * B πr r * r π 4 R A L * B a a * a 1 Warum können die real gemessenen Merkmale von den theoretisch ermittelten abweichen? Objekte können eine abweichende Form vom idealen Kreis bzw. Rechteck besitzen Was versteht man unter dem überwachten Minimum-Distance- Klassifikator? es existieren bereits Musterklassen Mittelwert Zentrum einer Musterklasse Varianz den der Musterklasse zugeordneten Bereich folgende Objekte können den Musterklassen somit leichter zugeordnet werden Merkmalsvektor wird Merkmalsraum zugewiesen, wenn er in einem zugeordneten Bereich liegt Wann ist eine eindeutige Klassifikation nicht möglich? wenn ein Merkmalsvektor genau zwischen zwei Merkmalen liegt Wie muss man verfahren, wenn eine eindeutige Klassifikation nicht möglich ist? interaktive Bestimmung der Grenzen um Clusterzentrum (zugeordneter Bereich) andere Methode zur Bereichsbestimmung nutzen (z.b. Quadermethode)
Welche Probleme können sich aus der Auswahl von diesen Merkmalen (Flächeninhalt, Umfang, mittlerer Grauwert) ergeben)? der mittlere Grauwert kann bei verschiedenen Objekten gleich sein
Versuch Segmentierung von s/w- und Farbbildern 1. Bildaufnahme. Segmentierung des Musterbildes als s/w Bild Segmentierung mit Schwellwerten:
Anmerkung: Segmentierungslinien wurden beim Abspeichern nicht mit abgespeichert Segmentierung mit Kantenfiltern (invertiert dargestellt): Anmerkung: Segmentierungslinien wurden beim Abspeichern nicht mit abgespeichert Objekte, die sich gut vom Hintergrund abheben, lassen sich gut segmentieren. In unserem Beispiel war eine Segmentierung mit Schwellwerten günstiger, weil beim Segmentieren mit Kantenfiltern auch im Inneren der Objekte viele Kanten gefunden wurden, welche aber nicht zu den Objektkanten gehören.
3. Segmentierung des Musterbildes als Farbbild Beim automatischen Erkennen waren Löcher innerhalb der Objekte vorhanden. Durch Anpassen der Beleuchtung des Versuchaufbaus konnten diese eliminiert werden. Auch bei der Segmentierung mit Schwellwerten in allen 3 Farbkanälen kann eine wesentlich besser Segmentierung erzielen als bei s/w Bildern, da mehr Informationen (3 Kanäle) zur Objekterkennung vorhanden sind als in einem s/w Bild (1 s/w Kanal). Klassifikation durch Auswertung von geometrischen Merkmalen Bild mit Objektmerkmalen aus Makro merkmal 3.
Klassifikationsbedingungen für die einzelnen Klassen: Ar_Rechtecke_Member_A ArRectangularity > 0.53 && ArRectangularity < 0.58 && ArCircularity > 16 && ArCircularity < 1 Ar_Kreise_Member_B ArRectangularity > 0.75 && ArRectangularity < 0.79 && ArCircularity > 1 && ArCircularity < 14 Ar_Walze_Member_C ArRectangularity > 0.70 && ArRectangularity < 0.78 && ArCircularity >4 && ArCircularity < 8 45 40 35 Circularity 30 5 0 15 Reihe1 10 5 0 0 0, 0,4 0,6 0,8 1 Rectangularity
(es wurden nur 3 unterschiedliche Klassen erstellt, Enterprise -Modell fällt somit raus) Überwachte Minimum Distance Klassifizierung Objekte Mittelwert Varianz ArArea ArGV ArArea ArGV 1 1.9038 173.49 (1,9038-8,55684)² (173,49-154,374)² 9.0517 11.737 (9,0517-8,55684)² (11,737-154,374)² 5 5.01074 189.673 (5,01074-8,55684)² (189,673-154,374)² 6 7.611 141.596 (7,611-8,55684)² (141,596-154,374)² 8.55684 154.374 33,39473 3508,35791 3 8.4675 156.714 8,4675 156,714 8.4675 156.714 0,000 0,000 7 18,0187 173.151 18,0187 173,151 18.0187 173.151 0,000 0,000 4 3.74875 113.38 3,74875 113,38 3.74875 113.38 0,000 0,000
Klassifikation elektronischer Bauelemente Die Klassifikation elektronischer Bauelemente wurde im Versuch gezeigt. Es wurden 3 Merkmalsklassen festgelegt. Bei gleichbleibenden Parametern (Beleuchtung, Zoom) wurde ein Bauelement allein aufgenommen und einer Klassifikation unterzogen. Dabei wurde es der entsprechenden Klasse auch zugeordnet.