PRÁCTICA 8. de Regiones. Grupo de Visión Artificial. David García Pérez

Transcripción

1 Descripción de Regiones

2 Descripción básica de regiones: A través de propiedades básicas como: área, número de euler, mínimo rectángulo que envuelve la figura, etc... se puede definir una región dentro de una imagen. En Matlab este proceso la hacemos de la siguiente forma: B = bwlabel(f); D = regionprops(b, propiedades); f es la imagen que contiene regiones que queremos describir. Lo primero que hacemos es convertir dicha imagen a una representación a través de etiquetas (Labels), usando para ello el primer comando. El segundo comando toma esa matriz etiquetada y calcula las propiedades que le pedimos. Un ejemplo: D = regionprops(b, 'area', 'boundingbox');

3 D = regionprops(b, 'area', 'boundingbox'); esto nos calcularía una estructura de la siguiente forma: D = Area: BoundingBox: [ ] La propiedades que queremos calcular se van poniendo una detrás de otra seguidas de una coma, tal y como se muestra en el ejemplo anterior. Hay bastantes más propiedades: area Calcula el área en píxeles cuadrados de la región boundingbox Calcula la posición y dimensiones del mínimo rectángulo que envuelve a la región.

4 Centroid Posición del centroide de la región. ConvexHull Matriz con la posición de los píxeles que definen el casco convexo que envuelve la región. ConvexImage Imagen binaria con la forma del casco convexo. Eccentricity Número escalar que da la excentricidad de la imagen. EulerNumber Escalar que da el número de Euler de la región. MayorAxisLength Longitud del eje de mayor longitud de la región. MinorAxisLength Longitud del eje de menor longitud de la región.

5 Momentos Invariantes:

6 Momentos Invariantes:

7 Momentos Invariantes: Los 6 momentos anteriores nos dan 6 valores númericos distintos que son insensitivos a transformaciones de las imágenes como: cambios de escala, espejo, y rotación.

8 Descripción de imágenes usando componentes principales: Suponer que tenemos un conjunto de imágenes y construimos el siguiente conjunto de vectores por píxeles:

9 Descripción de imágenes usando componentes principales: El vector media de todos esos vectores: entonces se puede construir una matriz de covariancia de tamaño nxn de la siguiente forma: Lo que vamos a hacer es calcular los autovalores y autovectores de esa matriz.

10 Descripción de imágenes usando componentes principales: podemos reducir el número de autovalores a q, entonces la ecuación anterior nos quedaría: Si nos quedamos con los autovalores principales, los más grandes, podemos obtener un conjunto reducido de imágenes que tienen la información más relevante. Al mismo tiempo estos autovalores caracterizan las propiedades de las imágenes.

11 Descripción de imágenes usando componentes principales: El siguiente comando en Matlab nos hace todos los cálculos necesarios: P = princomp(x,q): donde X es una matriz que contiene los vectores x anteriormente mostrados. q es el número de autovalores que deseamos obtener. P es una estructura que contiene varias cosas: P.Y K-por-Q Matrices cuyas columnas son las principales autovectores. P.Cx n-por-n matriz de covariancia. P.X K-por-n matriz cuyas filas son los vectores reconstruidos a partir de los autovalores.