De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Computer Vision Machine Vision Technieken voor beeldverwerking

Verwante presentaties


Presentatie over: "Computer Vision Machine Vision Technieken voor beeldverwerking"— Transcript van de presentatie:

1 Computer Vision Machine Vision Technieken voor beeldverwerking
SIEL week 6 Computer Vision Machine Vision Technieken voor beeldverwerking SIEL0405 week 6

2 Enkele beelden SIEL0405 week 6

3 Digitaal grijswaardenbeeld
SIEL0405 week 6

4 Computer Graphics  Vision
Output Input Image Kenmerken Image processing Image analysis Computer graphics Expert system SIEL0405 week 6

5 Machine vision  Human vision
Flexibiliteit Snelheid 2D-3D Betrouwbaarheid Spectrum Waarnemingen combineren SIEL0405 week 6

6 Industrieel inspectie-systeem
SIEL0405 week 6

7 Onderdelen vision systeem
Object Camera Verlichting Trigger Computer hardware Computer software Actuator SIEL0405 week 6

8 Operaties Vision Systeem
Triggeren Opname maken Frame grabbing Image preprocessing Image analysis Presentatie Actie SIEL0405 week 6

9 Vidicon (verouderd) SIEL0405 week 6

10 CCD-sensor SIEL0405 week 6

11 Uitlezing CCD De uitlezing geschiedt hier door de lading die tijdens de belichting op de condensator is verschenen, door te schuiven naar de rand m.b.v. een schuivende potentiaalkuil. Dit bereikt men met een 3-fasen klok. SIEL0405 week 6

12 CCD geometrie Als een mechanische sluiter wordt gebruikt, kan het volledige frame worden benut voor de belichting. In andere gevallen moet de belichting elektronisch worden gestopt, door de lading te verplaatsen naar het storage deel, dat is afgeschermd voor het licht. Vervolgens wordt de uitlees-fase gestart. Daardoor is de helft van het frame niet beschikbaar voor belichting. De store kan ook geplaatst zijn tussen de lijnen. Dit werkt sneller. SIEL0405 week 6

13 SIEL0405 week 6

14 Analoge video formats

15 Analog image scanning SIEL0405 week 6

16 Composite video signaal
SIEL0405 week 6

17 Interlacing SIEL0405 week 6

18 Beweging met Interlace
SIEL0405 week 6

19 Digital Area Scan Camera

20 Linescan camera

21 Linescan camera SIEL0405 week 6

22 Aliasing (1) SIEL0405 week 6

23 (Bijna) geen aliasing SIEL0405 week 6

24 Aliasing (2) De onderste figuur is een zijdelings samengedrukte versie van de bovenste. De witte strepen in de onderste figuur zijn een aliasing effect. Dit kunt U ontdekken door de onderste figuur met de muis uit te rekken. SIEL0405 week 6

25 Optische vergroting SIEL0405 week 6

26 Scherptediepte SIEL0405 week 6

27 Vervorming door lensfouten
SIEL0405 week 6

28 Vertekening en vervorming

29 Vertekening en Vervorming
a. Calibration Grid b. Perspective Projection c. Nonlinear Distortion

30 Sluitertijd: Lang middel kort
Bewegingsonscherpte Sluitertijd: Lang middel kort SIEL0405 week 6

31 Kleur Voor machine vision is een kleurencamera lang niet altijd gewenst. In veel gevallen gebruikt men liever een monochrome camera met een geschikt kleurenfilter, waarmee het gewenste kleurenonderscheid wordt verkregen. Hier is een camera voorzien van een roodfilter. Rode objecten worden daarmee onzichtbaar, terwijl groen en blauw beter uitkomen. In het vervolg beperken wij ons tot monochrome beelden. SIEL0405 week 6

32 Aantal pixels (resolutie) Interlaced/progressive scan
Keuze camera Analoog/Digitaal Monochrome/kleur Linescan, Matrix scan Aantal pixels (resolutie) Interlaced/progressive scan Frame rate and triggering Smart camera/ PC-based solution SIEL0405 week 6

33 Verlichtingsmethoden
SIEL0405 week 6

34 Easy Lighting Techniques
Ring-lighting Strobe Backlighting How it works Light encircles camera lens Light rapidly pulses on and off Great for Even illumination Reducing blur Silhouetting Cautions Can produce circular glare Must apply gain to avoid dark images Cylindrical objects diffract light SIEL0405 week 6

35 Gasontladingsbuis (Kwik, Natrium, Xenon) (Ultra) geluid (sonar)
Stralingsbronnen Gloeilamp en halogeen TL-buis LED (ook infrarood) Gasontladingsbuis (Kwik, Natrium, Xenon) (Ultra) geluid (sonar) SIEL0405 week 6

36 Spectra lichtbronnen SIEL0405 week 6

37 Elimineren van reflecties
SIEL0405 week 6

38 Spiegelende reflectie
SIEL0405 week 6

39 Diffuse reflectie SIEL0405 week 6

40 Back lighting SIEL0405 week 6

41 Silhouetopname met back light
SIEL0405 week 6

42 Back-lit beeld en data De pixels aan de rand van het voorwerpzijn niet volledig zwart of wit, maar krijgen een tussenliggende waarde. SIEL0405 week 6

43 Structured light (a) SIEL0405 week 6

44 Structured light (b) SIEL0405 week 6

45 Resolutie (aantal pixels) Beeldhoek (Field of View)
Parameters opname Resolutie (aantal pixels) Beeldhoek (Field of View) Voorwerpsafstand (Working Distance) Sensor afmetingen (Sensor Size) Scherptediepte (Depth of Field) SIEL0405 week 6

46 Scherpstelling (Focussing) Diafragma (Iris)
Camera instelling Scherpstelling (Focussing) Diafragma (Iris) Sluitertijd (Exposure time) Verlichtingssterkte (Lighting) Versterking (Gain) Gamma SIEL0405 week 6

47 Fasen in beeldbewerkingsproces
Verbeteren (Image enhancement) Corrigeren (Image restoration) Delen onderscheiden (Image segmentation) Beeld-Analyse (Image analysis) Voorwerpen herkennen (Classification) SIEL0405 week 6

48 Pixel indices SIEL0405 week 6

49 Monadische/dyadische operatoren
SIEL0405 week 6

50 Image & Pixel windows SIEL0405 week 6

51 Soorten beeldbewerkingen
Punt operaties Statistics Geometrische operaties Omgevingsoperaties (neighborhood) SIEL0405 week 6

52 Region of Interest (ROI) Contrastverbetering: Grey-level re-mapping
Image enhancement Region of Interest (ROI) Contrastverbetering: Grey-level re-mapping Intensiteitsfuncties Look Up Table (LUT) Drempelen (Thresholding) Dit zijn vrij elementaire functies, die al in de camera of de frame grabber kunnen worden uitgevoerd. SIEL0405 week 6

53 Grijswaarde-histogrammen
SIEL0405 week 6

54 Identiteits-operator
SIEL0405 week 6

55 Inverse operator SIEL0405 week 6

56 Stretch-operator SIEL0405 week 6

57 Drempelen (Binary Thresholding)
SIEL0405 week 6

58 Threshold operators SIEL0405 week 6

59 Histograms and Thresholds
Original Threshold This slide shows the relationship between the threshold and the histogram. The original image contains pixels with approximately three different values: light, medium, and dark. The histogram at the bottom features three spikes for the dark, medium, and light areas of the image, positioned from left to right, respectively. These spikes represent numerous pixels at those values. Notice that a threshold line is drawn between the medium and the light areas of the histogram. The histogram line determines the appearance of the thresholded image. All of the light areas from the original image now appear white, while everything else appears black. An image is considered binary after it has undergone a threshold. For the purposes of this seminar, a binary image will be white or red particles on a black background. The particles have a pixel value of 1, while the background has a pixel value of 0. Particles may have holes or inlets that reveal the background. Likewise, the background may have tiny specks or small particles. Histogram SIEL0405 week 6

60 Particle (blob) analysis
Threshold Particle filter Particle analysis (More than 50 parameters available for analysis) Quantity Size and location Area and circularity …………………….. Na het drempelen kunnen samenhangende gebieden met dezelfde pixelwaarde worden beschouwd als blob: binary linked objects. Deze blobs kunnen worden gelabeld, en een groot aantal kenmerken kunnen worden opgemeten. (blob-tools). Op grand van de bepaalde kenmerken kunnen blobs worden uitgefilterd. Original Threshold function Particle filter SIEL0405 week 6

61 Geometrische operaties
SIEL0405 week 6

62 Geometrische transformaties
SIEL0405 week 6

63 Interpolatie bij re-sampling
Gaat men naar een andere beeldgrootte, dan moet het beeld worden geresampled: Elke pixel van het nieuwe beeld moet worden berekend uit de pixels van het oude beeld, die in de omgeving liggen. Dit betekent interpoleren in twee richtingen. SIEL0405 week 6

64 Morfologische bewerkingen
Edge detector, hoekdetector, ……… Erosie Expansie (Dilation) Opening = eerste erosie, dan expansie Closing = eerst expansie, dan erosie Skeletonizing, Thinning (geeft ongeveer de symmetrie-as) Distance transform (afstand tot rand v.d. blob) SIEL0405 week 6

65 Structuurelementen (binair beeld) Erosie
x 1 1 1 Het structuurelement wordt op elke mogelijke omgeving van 3 bij 3 pixels in het inputbeeld geplaatst. Als de waarden van alle pixels overeenkomen, wordt het middelste pixel aangezet (=1) anders wordt het =0 gemaakt. Hier wordt erosie bereikt van de bovenkant en de rechterkant. De bewerking kan herhaald worden tot er geen pixels meer veranderen. voorwerp = 1, achtergrond = 0, x = don’t care SIEL0405 week 6

66 voorwerp = 1, achtergrond = 0, x = don’t care
Hoekdetectie 1 x 1 1 Deze hoekdetector werkt alleen goed als de pixels van een hoek precies passen met het masker. voorwerp = 1, achtergrond = 0, x = don’t care SIEL0405 week 6

67 4-8 connected Wanneer noemen we punten verbonden? Moet dit beschouwd worden als een ring tegen een achtergrond, of zijn het 4 staafjes die tegen elkaar raken? Stel men gaat uit van 8-connected voor de donkere pixels. Dan vormen de donkere pixels een gesloten ring. Gaat men ook uit van 8-connected voor de achtergrond, dan is het buitengebied verbonden met het gat in de ring, m.a.w. de ring is niet gesloten! m.a.w. de ring is zowel open als gesloten! Daarom stelt men: Object: 8-connected, achtergrond 4-connected of vice versa. SIEL0405 week 6

68 6-hoekige pixels SIEL0405 week 6

69 Convolutiefilters Omgevings-operaties Low-pass filtering (smoothing)
Highpass filtering (sharpening) SIEL0405 week 6

70 3x3 convolutiefilter h(i,j)
3x3 convolution filter SIEL0405 week 6

71 Image Smoothing SIEL0405 week 6

72 Template matching SIEL0405 week 6

73 Template t(i,j) met image I(i,j)
SIEL0405 week 6

74 Verschuif template over image
j I X Y SIEL0405 week 6

75 Correlatiefunctie Template: Image: SIEL0405 week 6

76 Genormaliseerde correlatiefunctie
(X,Y) is juiste positie (X,Y) is niet juiste positie of Lijkt niet op template SIEL0405 week 6

77 Goede keuze van ROI belangrijk
Template matching Goede keuze van ROI belangrijk Correlatie op kenmerken veel sneller dan correlatie op pixelwaarden Snellere methoden via frequentiedomein Gevorderde methoden voor: rotatie, scaling, perspectief (vragen veel performance) Neurale netwerken in opmars (OCR) SIEL0405 week 6

78 Fourier-spectrum zaagtand
Tijddomein Frequentie-domein SIEL0405 week 6

79 Plaats x <==> Frequentie u
Aantal golven per meter Fourier spectrum = amplitude A a.f.v. de frequentie A(u). Voor een golf in de x-richting zetten we u vertikaal uit. SIEL0405 week 6

80 Fourierspectra: f(x,y) <==> F(u,v)
SIEL0405 week 6

81 Fourier superpositie SIEL0405 week 6

82 Optische muis (1) SIEL0405 week 6

83 Optische muis (2) SIEL0405 week 6

84 Optische muis (3) SIEL0405 week 6

85 Voorbeeld Visionlab Script: gear2.jls lread gear gear.jl display gear
copy gear bin display bin thresholdisodata bin DarkObject fillholes bin FourConnected classicalerosion bin ero1 1 display ero1 skeleton ero1 skel display skel nrofneighbours skel neigh EightConnected display neigh countpixel neigh 1 //moet 40 zijn!! SIEL0405 week 6


Download ppt "Computer Vision Machine Vision Technieken voor beeldverwerking"

Verwante presentaties


Ads door Google