1 / 17

Bab 5-3 Image Processing and Analysis

Bab 5-3 Image Processing and Analysis. Objektif. Boleh mengetahui langkah-langkah yg terlibat di dalam Fungsi II Boleh menghuraikan keperluan dan fungsi setiap langkah Boleh membezakan elemen yang terlibat dalam setiap langkah. Kandungan. Pengenalan Image Data Reduction Segmentation

heath
Download Presentation

Bab 5-3 Image Processing and Analysis

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Bab 5-3 Image Processing and Analysis

  2. Objektif • Boleh mengetahui langkah-langkah yg terlibat di dalam Fungsi II • Boleh menghuraikan keperluan dan fungsi setiap langkah • Boleh membezakan elemen yang terlibat dalam setiap langkah

  3. Kandungan • Pengenalan • Image Data Reduction • Segmentation • Feature Extraction • Object Recognition • Kesimpulan

  4. Pengenalan • Turutan langkah dlm Fungsi II: • Image Data Reduction • Segmentation • Feature extraction • Object recognition • Jumlah dan amaun data imej sangat besar perlu diproses dalam masa yang singkat • Pelbagai teknik utk kurangkan magnitud bagi memastikan pemprosesan dan analisis imej boleh dilakukan

  5. IMAGE DATA REDUCTION • Objektif • Kurangkan volume/amaun data • Dua skema dalam data reduction • Digital conversion • Windowing • Fungsi kedua-dua skema, utk menghapuskan bottleneck yg terhasil akibat volume data

  6. IMAGE DATA REDUCTION • Digital Conversion • Mengurangkan nombor tahap gray yg digunakan oleh sistem machine vision • Bergantung kpd keperluan aplikasi, boleh kurangkan bilangan tahap gray dgn gunakan bits yg kurang utk mewakili kepekatan cahaya pixel • Contoh: menggunakan 8 bit menghasilkan 256 gray levels, kurang 4 bit menghasilkan hanya 16 gray levels

  7. IMAGE DATA REDUCTION • Windowing • Menggunakan a portion dari imej keseluruhan (frame buffer) utk diproses dan dianalisis • Portion digelar window • Pengenalpastian objek secara tepat hanya pada bahagian yg dikehendaki sahaja • Contoh: inspection PCB • Rectangular window akan pilih kawasan yg diingini, pixels pada window shj akan dianalisis

  8. SEGMENTATION • Term biasa yg digunakan utk pelbagai kaedah selepas data reduction • Objektif • Utk kumpulkan kawasan imej yg mempunyai sifat/features yg sama kepada entiti yg mewakili sebahagian imej • Contoh: kumpul ikut boundaries/regions • Teknik-teknik segmentation • Thresholding • Region growing • Edge detection

  9. Thresholding • Sangat simple • Teknik Binary conversion, setiap pixel ditukar menjadi nilai binary (hitam atau putih) • Berdasarkan julat B&W, ditentukan dari histogram imej • Teknik segmentation yg plg meluas digunakan dalam aplikasi industrial vision • Mudah, cepat dan kaedah lighting yg senang dikawal

  10. Region Growing • Koleksi teknik segmentation, dimana pixels dikumpulkan dalam region (grid elements) berdasarkan persamaan atribut • Regions yg didefinisikan akan dianalisis utk tentukan sama ada ia independent atau boleh digabungkan dgn regions lain • Sesuai utk imej objek yg mudah, imej yg kompleks, teknik ini kurang sesuai • Teknik ini digunakan bila dua: • Teknik lain tidak boleh digunakan • Teknik lighting tidak boleh dikawal

  11. Edge detection • Mengambil kira perubahan intensity pixels pada boundary/edges part • Jika region(atribut yg sama) dijumpai tapi bentuk boundary tidak diketahui, maka teknik ini sesuai digunakan

  12. FEATURE EXTRACTION • Dari segmentation, perbezaan dibuat ke atas objek berdasarkan kepada features yg memberi sifat yg unik kpd objek • Feature = satu parameter yg membenarkan perbandingan dan pengenalan antara objek • Area,diameter dan perimeter • Boleh kenalpasti objek atau part dan tentukan lokasi part atau orientasinya

  13. OBJECT RECOGNITION • Utk kenalpasti objek yg diwakili oleh imej, menggunakan maklumat dari feature extraction • Kenalpasti objek (imej) dan membuat klasfikasi • Perlukan recognition algorithm yg berkuasa utk kenalpasti objek secara unik • 2 teknik utama • Template-matching • Structural

  14. Template-matching techniques • Subset kepada kebykan teknik statistical pattern recognition yg kelaskan objek (imej) kedalam kategori yg ditentukan • Masalah biasa: utk matchkan objek dgn stored pattern (model template) • Model template diperolehi semasa training • Teknik ini boleh digunakan jika tidak memerlukan bilangan model template yg byk

  15. Template-matching techniques • Berdasarkan kepada bilangan features • Perbandingan antara features pada objek dgn stored values • Bila match dijumpai (guna statistical variations), maka objek telah diklasfikasikan

  16. Structural techniques • Mengambilkira hubungan antara features/edges objek • Teknik yg digunakan: • Syntactic pattern • Menggunakan elemen penghasilan sesuatu bentuk objek • Agak sukar utk lengkapkan pattern recognition secara lengkap • Lebih mudah utk cari regions/edges yg lebih simple • Kebanyakan industri robotik guna approach ringkas terutamanya recognition 2D

  17. Kesimpulan • Fungsi II dimana imej digital objek akan dianalisis • Melibatkan reduction data, segmentation, feature extraction dan object recognition • Setiap langkah mempunyai fungsi dan teknik yg berbeza-beza

More Related