Trasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale
Di Fouad Sabry
()
Info su questo ebook
Cos'è la trasformata di Hough
La trasformata di Hough è una tecnica di estrazione delle caratteristiche utilizzata nell'analisi delle immagini, nella visione artificiale e nell'elaborazione delle immagini digitali. Lo scopo della tecnica è trovare istanze imperfette di oggetti all'interno di una certa classe di forme mediante una procedura di votazione. Questa procedura di votazione viene eseguita in uno spazio parametrico, da cui si ottengono oggetti candidati come massimi locali in un cosiddetto spazio accumulatore che è esplicitamente costruito dall'algoritmo per il calcolo della trasformata di Hough.
Come trarrai vantaggio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Trasformata di Hough
Capitolo 2: Generalizzata Trasformata di Hough
Capitolo 3: Trasformata di Hough randomizzata
Capitolo 4: Trasformata di Hough circolare
Capitolo 5: Rilevamento della linea
Capitolo 6: Proiezione 3D
Capitolo 7: Equazione parametrica
Capitolo 8: Equazione
Capitolo 9: Ellisse
Capitolo 10: Cissoide
(II) Rispondere alle principali domande del pubblico sulla trasformazione hough.
(III) Esempi reali dell'utilizzo della trasformazione hough in molti campi.
Chi questo libro è per
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di Hough Transform.
Correlato a Trasformazione di Hough
Titoli di questa serie (100)
Consenso del campione casuale: Stima robusta nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniGruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei contorni: Svelare l'arte della percezione visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSistema di gestione del colore: Ottimizzazione della percezione visiva negli ambienti digitali Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniPercezione visiva: Approfondimenti sull'elaborazione visiva computazionale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei colori: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniRilevamento delle macchie: Scoprire modelli nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniModello di fotocamera stenopeica: Comprendere la prospettiva attraverso l'ottica computazionale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Computer grafica bidimensionale: Esplorazione del regno visivo: computer grafica bidimensionale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniMetodo di impostazione del livello: Avanzamento della visione artificiale, esplorazione del metodo dell'impostazione dei livelli Valutazione: 0 su 5 stelle0 valutazioniPunto di fuga: Esplorare i limiti della visione: approfondimenti dall'informatica Valutazione: 0 su 5 stelle0 valutazioniHashing geometrico: Algoritmi efficienti per il riconoscimento e la corrispondenza delle immagini Valutazione: 0 su 5 stelle0 valutazioniModellazione e rendering basati su immagini: Esplorare il realismo visivo: tecniche di visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello geometrico bidimensionale: Comprensione e applicazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione lineare diretta: Applicazioni pratiche e tecniche nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniInterpolazione bilineare: Miglioramento della risoluzione e della chiarezza dell'immagine tramite l'interpolazione bilineare Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrelazione incrociata: Sbloccare i modelli nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCampo di movimento: Esplorando le dinamiche della visione artificiale: svelato il campo del movimento Valutazione: 0 su 5 stelle0 valutazioniGeometria descrittiva: Sbloccare il regno visivo: esplorare la geometria descrittiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniAlgoritmo della linea di Bresenham: Rendering delle linee efficiente e pixel perfetto per la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniPrimitivo geometrico: Esplorazione dei fondamenti e delle applicazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello di fotocamera stenopeica: Comprendere la prospettiva attraverso l'ottica computazionale Valutazione: 0 su 5 stelle0 valutazioniAlgoritmo di disegno di linee: Padroneggiare le tecniche per il rendering di immagini di precisione Valutazione: 0 su 5 stelle0 valutazioniTensore trifocale: Esplorare la profondità, il movimento e la struttura nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniGrafica di ray-tracing: Esplorazione del rendering fotorealistico nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMinimi quadrati: Tecniche di ottimizzazione per la visione artificiale: metodi dei minimi quadrati Valutazione: 0 su 5 stelle0 valutazioniRimozione delle linee nascoste: Svelare l'invisibile: i segreti della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniProspettiva curvilinea: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRegolazione del pacchetto: Ottimizzazione dei dati visivi per una ricostruzione precisa Valutazione: 0 su 5 stelle0 valutazioniSatelliti e orbite con Scratch: Astronautica con simulazioni numeriche Valutazione: 0 su 5 stelle0 valutazioniComputer grafica della radiosità: Avanzamento della visualizzazione attraverso la radiosità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento delle macchie: Scoprire modelli nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniGeometria computazionale: Esplorazione di intuizioni geometriche per la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniLe ragioni armoniche della prospettiva Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei bordi: Esplorare i confini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
Guida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioniANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Trasformazione di Hough
0 valutazioni0 recensioni
Anteprima del libro
Trasformazione di Hough - Fouad Sabry
Capitolo 1: Trasformata di Hough
La trasformata di Hough è un metodo comune di estrazione delle caratteristiche nei campi dell'elaborazione digitale delle immagini, della visione artificiale e dell'analisi delle immagini. Il metodo utilizza un sistema di voto per identificare istanze imperfette di oggetti appartenenti a una specifica classe di moduli. L'algoritmo di calcolo della trasformata di Hough esegue questo voto in uno spazio di parametri, in cui gli oggetti candidati si trovano come massimi locali in un cosiddetto spazio di accumulatori.
Sebbene la trasformata di Hough originale si concentrasse sulla ricerca di linee rette in un'immagine, da allora è stata ampliata per includere la ricerca del centro di forme non rettangolari come cerchi ed ellissi. Nel 1972, Richard Duda e Peter Hart svilupparono la trasformata di Hough generalizzata
che è ora ampiamente utilizzata. In un articolo del 1981 intitolato Generalizing the Hough transform to detect arbitrary shapes
, Dana H. Ballard introdusse la trasformata nel campo della visione artificiale.
È stato sviluppato per la prima volta per l'uso nell'analisi automatizzata delle immagini delle camere a bolle (Hough, 1959).
Il brevetto statunitense 3.069.654, intitolato Metodo e mezzi per il riconoscimento di modelli complessi
, è stato rilasciato alla Commissione per l'energia atomica degli Stati Uniti nel 1962 e descrive la trasformata di Hough. L'uso peculiare del brevetto della parametrizzazione dell'intercettazione della pendenza per le linee si traduce in uno spazio di trasformazione illimitato perché la pendenza può essere infinita.
La descrizione iniziale della parametrizzazione rho-theta, che ora è usata ovunque, può essere trovata in.
Duda, R.O.; Hart, P. E. (gennaio 1972). Uso della trasformazione di Hough per rilevare linee e curve nelle immagini
. Comm. ACM. 15: 11–15. DOI:10.1145/361237.361242. S2CID 1105637.
Nonostante il fatto che non sia stato fino al 1930 che è diventata la norma per la trasformazione del Radon,.
Una descrizione della variante di O'Gorman-Clowes può essere trovata in
O'Gorman, Franco; Clowes, MB (1976). Trovare i bordi dell'immagine attraverso la collinearità dei punti caratteristici
. IEEE Trans. Comput. 25 (4): 449–456. DOI:10.1109/TC.1976.1674627. S2CID 10851078.
Il modo in cui è stata sviluppata l'attuale trasformata di Hough è descritto in.
Hart, P. E. (novembre 2009). Come è stata inventata la trasformata di Hough
(PDF). Rivista di elaborazione del segnale IEEE. 26 (6): 18–22. DOI:10.1109/MSP.2009.934181. S2CID 16245096. Archiviato dall 'originale (PDF) il 2018-05-16.
Il rilevamento di forme elementari come linee, cerchi ed ellissi rappresenta una sfida comune nell'analisi automatizzata delle immagini digitali. Quando si cercano punti dell'immagine o pixel che si trovano sulla curva desiderata nello spazio dell'immagine, è possibile utilizzare un rilevatore di bordi come passaggio preliminare. Tuttavia, potrebbero esserci punti o pixel mancanti sulle curve richieste e variazioni spaziali tra la linea/cerchio/ellisse ideale e i punti di bordo rumorosi quando vengono acquisiti dal rilevatore di bordi a causa di difetti nei dati dell'immagine o nel rilevatore di bordi. Per questo motivo, può essere difficile classificare correttamente le feature di spigolo estratte come un insieme di linee rette, linee curve o ellissi. Per risolvere questo problema, la trasformata di Hough utilizza un meccanismo di voto esplicito su un set di oggetti immagine parametrizzati per classificare coppie di punti di bordo adiacenti in candidati oggetti (Shapiro e Stockman, 304).
La trasformata di Hough è più facilmente applicabile al rilevamento di linee rette. Il punto (b, m) nello spazio dei parametri rappresenta la retta y = mx + b. Tuttavia, sorgono problemi con le linee verticali. Risulterebbero in m, il parametro di pendenza, avente valore infinito. Pertanto, Duda e Hart proposero la forma normale di Hesse per l'efficienza nel calcolo.
{\displaystyle r=x\cos \theta +y\sin \theta ,}dove r è la distanza dall'origine al punto più vicino sulla retta, e \theta è l'angolo tra l' x asse e la linea che collega l'origine con quel punto più vicino.
L'intuitività di questa forma, allo stesso modo dell'equazione piana, è che ogni vettore sulla retta deve essere perpendicolare (ortogonale) alla retta di lunghezza r che proviene dall'origine.
È facile vedere che il punto di intersezione della linea della funzione e della retta perpendicolare che proviene dall'origine è in {\displaystyle P_{0}=(r\cos \theta ,r\sin \theta )} .
Quindi, per ogni punto P sulla retta, il vettore {\displaystyle P-P_{0}} deve essere ortogonale al vettore {\displaystyle P_{0}-0=P_{0}} .
Pertanto, otteniamo che per ogni punto {\displaystyle P=(x,y)} sulla retta della funzione, l'equazione {\displaystyle (P-P_{0})\cdot P_{0}=0} deve essere soddisfatta.
Pertanto, {\displaystyle P\cdot P_{0}=P_{0}\cdot P_{0}} .
Dal momento che {\displaystyle P=(x,y)} e {\displaystyle P_{0}=(r\cos \theta ,r\sin \theta )} , otteniamo
{\displaystyle r(x\cos \theta +y\sin \theta )=r^{2}(\cos ^{2}\theta +\sin ^{2}\theta )}.
Poiché {\displaystyle \cos ^{2}\theta +\sin ^{2}\theta =1} , otteniamo la forma finale di {\displaystyle x\cos \theta +y\sin \theta =r} .
E' quindi possibile associare ad ogni riga dell'immagine una coppia (r,\theta ) .
Il (r,\theta ) piano è talvolta indicato come spazio di Hough per l'insieme di rette in due dimensioni.
La trasformata di Hough è concettualmente vicina alla trasformata bidimensionale di Radon grazie alla sua rappresentazione.
In effetti, le trasformate di Radon e Hough sono matematicamente uguali, tuttavia, ci sono significati computazionali distinti associati alle due trasformazioni.
Con un solo punto piano con cui lavorare, una curva sinusoidale nel sistema di coordinate (r, t) è l'insieme di rette che passano per quel piano di posizione, θ), che è, al momento, singolare.
Se prendi un insieme di punti e li disponi in linea retta, avrai sinusoidi che si incontrano in (r, θ) per quella linea.
Pertanto, l'identificazione di posizioni collineari può essere riformulata come una ricerca di curve contemporanee.
Data una forma parametrizzata da {\displaystyle (a_{1},...,a_{t})} , prendendo valori nell'insieme S chiamato spazio delle forme, si può interpretare la trasformata di Hough come la trasformata inversa di una distribuzione di probabilità sullo spazio dell'immagine allo spazio delle forme S , come una forma di stima della massima verosimiglianza per il rilevamento della forma.
La trasformata di Hough è essenzialmente un'approssimazione ingenua di Bayes resa esplicita. Innanzitutto, stabiliamo un'uniforme forma-spazio a priori. Per identificare gli