Vyhledvn vzor template matching Vyhledvn vzor template matching
- Slides: 16
Vyhledávání vzorů (template matching)
Vyhledávání vzorů (template matching) • obsah – metriky založené na metodách hledání optimální cesty – metriky založené na korelaci
Párování vzorů (template matching) • doposud: – zatím jsme se snažili přiřadit neznámý vzor do jedné ze znáných tříd • nyní: – vstup: • množina předdefinovaných vzorů. . . šablona/template • neznámý vzor – výstup • máme zjistit, ke které šabloně bude nejlépe „pasovat“ neznámý vzor • šablony – objekty ve scéně, řetězce, slova v mluveném textu, . . • aplikace – rozpoznávání řeči, získávání dat z databáze obrázků, . . • postup – Krok 1 – definování míry podobnosti mezi šablonou a neznámým vzorem – Krok 2 – párování vzorů na šablonu
Metriky založené na metodách hledání optimální cesty • vstup: – vzory jsou řetězce symbolů • výstup: – rozhodnout, který „známý“ řetězec (šablona) nejlépe „pasuje“ na „neznámý“ řetězec • značení: – „známý“ vzor (šablona) r(i) i=1, . . . , I – „neznámý“ vzor t(j) j=1, . . . , J – obecně je I ≠ J • vytvoříme 2 D mřížku – prvky vzorů naneseme na na souřadnicové osy – každý bod mřížky udává vztah mezi příslušným prvkem šablony a neznámého vzoru • př. bod (3, 2) udává vztah mezi r(3) a t(2) neznámý vzor šablona
Metriky založené na metodách hledání optimální cesty • pro každý uzel (i, j) mřížky je definována „vzdálenost“ d(i, j) – vzdálenost mezi elementy r(i) a t(j) • d(i, j|k, l). . . vzdálenost v bodě (i, j) mřížky závisí na bodu (k, l), odkud jsme přišli do bodu (i, j) • délka cesty – součet vzdálenosti uzlů na této cestě • vzdálenost řetězců r a t – délka minimální cesty z (0, 0) do (I, J) • spojení k nalezení cesty s minimální délkou lze použít Bellmanův princip optimality a dynamické programování – Belmannův princip – dynamické programování
Metriky založené na metodách hledání optimální cesty • optimální cesta je vytvořena hledáním mezi všemi dostupnými cestami z bodu (0, 0) do bodu (I, J) • příklad použití této metody – editační vzdálenost v řetězcích
Metriky založené na korelaci • vstup: – množina známých vzorů – blok dat • výstup: – zjistit, zda se v bloku dat vyskytuje nějaký známý vzor a kde • příklad: analýza scény šedotónový pixel v čase t – součástí tohoto problému je i kódování videa • kódování videa potřebuje odhadnout pohyb ve scéně • tedy hledání stejných objektů, které se pohybují – 1. hledání odpovídajících si pixelů odpovídající pixel na posunuté pozici v čase t-1 • hledáme stejné objekty, které změní pozici v jednotlivých obrazech snímaných s časovým odstupem – 2. odstranění pohybu ze snímků • vytvoříme „rozdílový“ obraz e(i, j, t) = r(i, j, t) - r(i-m, j-n, t-1) • kódujeme jen novou informaci, která je obsažena v nejnovějším snímku (bez redundancí)
Metriky založené na korelaci • vstup: – referenční vzor r(i, j) . . . známý vzor/šablona • matice velikosti M×N – obrazová matice t(i, j). . . neznámý blok dat • matice velikosti I×J – obrazová matice je větší než hledaný referenční vzor • cíl: – najít metriku, která v obrazové matici t(i, j) najde submatici velikosti M×N, která najlépe „pasuje“ na referenční vzor r(i, j) • postup: – referenční vzor postupně přikládáme do všech možných poloh (m, n) obrazové matice – pro každou polohu (m, n) spočteme chybu mezi referenčním vzorem r(i, j) a submaticí z t(i, j)
Metriky založené na korelaci • chyba D pro polohu (m, n): => hledáme takovou polohu (m, n), kde je D(m, n) minimální • vztah pro chybu D(m, n) upravíme: (*) pro daný referenční vzor je konstantní
Metriky založené na korelaci • pokud se výraz (*) v obrazové matici t(i, j) příliš nemění – tj. není velký rozptyl úrovní šedi v testovaném obraze – definujeme korelaci c(m, n) mezi r(i, j) a t(i, j) jako: => minimum D(m, n) je dosaženo, když korelace c(m, n) je maximální • pokud je velký rozptyl úrovní šedi v obrazové matici – korelaci definujeme jako => minimum D(m, n) je dosaženo, když korelace c. N(m, n) je maximální
Metriky založené na korelaci • použijeme Cauchy–Schwarzovu nerovnost • z ní dostaneme => tedy c. N(m, n) ≤ 1 a svého maxima (hodnota 1) dosáhne, když testovaný podobraz je stejný jako referenční vzor
Metriky založené na korelaci testovaný obraz korelace c(m, n) referenční vzor tečkovaná oblast zobrazuje pozici v bodě (m, n) maximální korelace je dosaženo v bodě (13, 66)
Metriky založené na korelaci • zatím jsme uvažovali, že referenční vzory jsou jen posunuty – žádné škálování či rotace – pokud bychom chtěli uvažovat i škálování nebo rotaci: • popsat referenční vzor a testovaný podobraz pomocí momentů, které jsou invariantní vůči daným operacím, a pak spočítat korelaci • použít Fourierovu nebo Mellinovu transformaci • hledání správné polohy v t(i, j), kde je dosaženo max. korelace – početně nejnáročnější operace – typicky hledáme správné polohy ve čtverci [-p, p]×[-p, p] vycentrované v bodě (x, y) obrazu t(i, j) => obecně potřebujeme (2 p+1)2 MN operací sčítání a násobení – v praxi se používají heuristiky na hledání nejlepší pozice • nemusí nalézt maximum (–) • sníží počet operací (+)
Metriky založené na korelaci – 2 D logaritmické hledání • uvažujme čtverec [-p, p]×[-p, p] kde p = 7 • střed čtverce je bod (0, 0) • nejprve spočteme korelaci ve středu a v 8 bodech na obvodu čtverce [-p/2, p/2] × [-p/2, p/2] (žluté body) vzdálenost mezi žlutými body je • • • nechť největší korelace je v bodě (-4, 0) (oranžový čtverec) tento bod se stane středem čtverce pro další iteraci
Metriky založené na korelaci – 2 D logaritmické hledání • • • v další iteraci pracujeme se čtvercem se středem (-4, 0) a velikosti [-p/4, p/4]×[-p/4, p/4] spočteme korelaci v 8 bodech na obvodu čtverce (modré body) vzdálenost mezi modrými body je proces opakujeme až 8 bodů bude na obvodu čtverce o velikosti [-1, 1]×[-1, 1], který má střed v předchozím optimálním bodě (zelený čtverec a fialové kolečko) červený bod je bod s maximální korelací a výpočet končí počet operací je MN(8 k+1)
Metriky založené na korelaci – sekvenční metoda • heuristika vychází přímo z definice chyby D(m, n) mezi referenčním vzorem a podobrazem • definujeme chybu na okénku – tedy chyba se počítá na malém okénku p, q = 1, 2, . . . (kde p ≤ M, q ≤ N) • výpočet Dpq(m, n) skončí, když chyba je větší než předdefinovaná prahová hodnota – a pak se posuneme do jiné polohy (m, n) a zopakujeme výpočet
- Visual pathway psychology
- Pengertian pola digital
- Bolongie
- Matching template for quiz
- Chamfer matching
- Match statement
- Template matching psicologia
- Sebutkan fitur fitur yang terdapat di panel publisher
- Cie color matching functions table
- Strategies for shifting demand to match capacity
- Implementing strategies management and operations issues
- Super matching bonus
- Job matching definition
- John proctor iii
- Simple matching coefficient
- Histogram matching
- String matching