Image Processing & Computer Vision

Image Processing &Computer Vision Texture Segmentation

Texture Segmentation • ลวดลายหรือ Texture เป็นส่วนสำคัญอย่างหนึ่งทางด้าน imageprocessing และ computer vision ที่ใช้ในการแบ่งแยกลวดลายต่าง ๆ ภายในภาพๆ หนึ่ง ออกเป็นส่วน ๆ อย่างชัดเจน ดังตัวอย่างจากภาพด้านล่าง จะสามารถแบ่งเป็นโซนใหญ่ ๆ ได้ 4 โซนเช่น • Texture of tiger • Texture of grass • Texture of water • Unmatched texture

Texture Segmentation การแบ่งส่วนรูปภาพให้เป็นกลุ่ม (region) โดยดูจากลายของรูปภาพ หรือ Texture โดยใช้ Grey Level Co-occurrence Matrix (GLCM).

Texture Segmentation • Example of Texture

Grey Level Co-occurrence Matrix (GLCM) • Three different co-occurrence matrices for a gray-tone image. Horizontal Diagonal Vertical

Grey Level Co-occurrence Matrix (GLCM) • GLCM คือ ตารางแสดงความแตกต่างระหว่าง pixel โดยใช้ความสว่าง (brightness) ในระดับ gray level ที่เกิดขึ้นในรูปภาพมาแสดงผลในตาราง Test image pattern (gray level) 4 gray level ตัดบางส่วนของ texture ออกมา เพื่อทำ GLCM 0  black 1  dark gray 2  light gray 3  white

Grey Level Co-occurrence Matrix (GLCM) • การแบ่งช่วงสีเช่น 4-gray level • ช่วง pixel intensity 0 – 63  0 • ช่วง pixel intensity 64 – 127  1 • ช่วง pixel intensity 128 – 191  2 • ช่วง pixel intensity 192 – 255  4 • การแบ่งช่วงสีสามารถทำได้มากกว่า 4level ตามความละเอียดของ texture(ลวดลาย)

Grey Level Co-occurrence Matrix (GLCM) (Count Matrix) Fill in Count Matrix (Right spatial Relationship or Horizontal Relationship) 0 2 1 3 0 1 2 3 Test image pattern Count Matrix

Grey Level Co-occurrence Matrix (GLCM) • Transpose Matrix เพื่อทำให้ Matrix สมมาตร หรือ Symmetric Count Matrix Transpose Matrix + Count Matrix + Transpose Matrix = Symmetrical Matrix

Grey Level Co-occurrence Matrix (GLCM) • Normalized symmetrical Horizontal GLCM Symmetrical Matrix / Sum of elements = Horizontal GLCM (1/24) * = Horizontal GLCM นี้จะแสดงเป็นค่า Probability

Grey Level Co-occurrence Matrix (GLCM) นอกจากจะทำการนับค่า Co-occurrence ในระดับแนวนอน(Horizontal) แล้ว ยังสามารถที่จะทำในระดับแนวตั้ง(Vertical) หรือแนวทแยงมุม (Diagonal) ได้อีกด้วย ดังนี้ Diagonal Co-occurrence Vertical Co-occurrence

Example of Vertical GLCM 0 1 2 3 0 1 2 3 Vertical Co-occurrence Count Matrix Transpose Matrix

Example of Vertical GLCM(ต่อ) Symmetrical Matrix Vertical GLCM(Probability)

Example of Diagonal GLCM 0 1 2 3 0 1 2 3 Count Matrix Diagonal Co-occurrence Transpose Matrix

Example of Diagonal GLCM(ต่อ) Symmetrical Matrix Diagonal GLCM(Probability)

Grey Level Co-occurrence Matrix (GLCM) • สร้าง Count Matrix • ดู relation ใน ส่วนของภาพที่ตัดมาระหว่างจุดอ้างอิงและจุดพิกเซลเพื่อนบ้านตามทิศทางที่กำหนด (Neighbour pixel) • นับจำนวนความสัมพันธ์ที่เกิดขึ้น (occurrence) และเติมลงใน Count Matrixจะเกิด Count Matrix ของจำนวนความสัมพันธ์ขึ้น • Transpose Matrixเพื่อทำให้เป็นสมมาตร (Symmetrical matrix) • ทำการบวก Count Matrixและ Transpose Matrix • แปลง Matrix ที่รวมกันแล้วให้เป็น Probability โดยนำเอาค่าของ Matrix แต่ละช่อง หารด้วยผลรวมทั้งหมด • เมื่อหา Probability Matrix ได้แล้ว ก็สามารถนำเอา Matrix นี้ไปหา Texture ในภาพจริงได้โดยต้องทำภาพจริงที่จะหา Texture ให้เป็น gray level ระดับเดียวกันกับ Matrix ที่สร้างขึ้นไว้ก่อน จากนั้นก็ทำการหา GLCM ของภาพจริง และนำมาเปรียบเทียบกับ GLCM ที่เราสร้างไว้เป็นต้นแบบ

Grey Level Co-occurrence Matrix (GLCM) หา GLCM ในภาพจริง แล้วนำไปเปรียบเทียบ กับ Horizontal GLCM ที่สร้างไว้แล้ว ถ้ามีค่า Probability ใกล้เคียงกันหรือเหมือนกัน ในตำแหน่งเดียวกัน ถือว่าเป็นลายเดียวกัน Input image Horizontal GLCM

Grey Level Co-occurrence Matrix (GLCM) • นอกจากจะใช้แค่ Probability Matrix ในการหา Texture แล้วเรายังสามารถหารายละเอียดของ Texture ได้อีก โดยการหา • Contrast (ความแตกต่างของสี) • Dissimilarity(ความแตกต่างของลวดลาย) • Homogeneity หรือ similarity(ความเป็นเนื้อเดียวกันหรือความเหมือนกัน) ได้อีกด้วย

GLCM and Contrast weight * Contrast weight Horizontal GLCM = Contrast Matrix

GLCM and Dissimilarity Weight * Dissimilarity weight Horizontal GLCM 0.083+0.084+0.083+0.084+0.042+0.042 = 0.418 = Dissimilarity Matrix

GLCM and Homogeneity (Similarity) * similarity weight Horizontal GLCM 0.167+0.042+0.014+0.042+0.167+ 0.014+0.25+0.021+0.021+0.083 = 0.804 = Similarity Matrix

Image Processing & Computer Vision