숲 이미지에서 트레일 감지

숲 장면 이미지에서 흔적을 식별하기위한 연구 / 서류 / 소프트웨어에 대해 알고있는 사람이 있습니까?

이미지를 가져올 수있는 알고리즘을 찾으려고합니다.

다음과 같은 가능성있는 "트레일"을 식별하는 마스크를 생성합니다.

보다시피, 원본 이미지는 약간 흐릿합니다. 이미지 소스가 완벽한 초점을 보장 할 수 없으므로 적절한 양의 노이즈와 흐릿함을 처리 할 수 ​​있어야합니다.

내 첫 번째 생각은 가우시안 블러를 적용하고 이미지를 블록으로 분할하여 인접한 블록을 비교하여 선명한 색상 차이를 찾아냅니다 (트레일 "가장자리"표시). 그러나 그림자와 기타 조명 변경으로 인해 쉽게 사라질 수 있다는 것을 금방 깨달았습니다.

SURF 기능 추출에 대해 생각하고 있었지만 이미지가 완벽하고 선명하고 일관된 조명으로 SURF / SIFT 만 성공했습니다.

또한 이미지와 마스크를 훨씬 작은 크기 (예 : 100x75)로 축소하고 1xN 벡터로 변환하고 FANN 기반 신경망 을 훈련시키는 데 사용했습니다 (이미지가 입력이고 마스크가 필요한 경우) 산출). 입력 벡터 크기가 75 % 인 숨겨진 레이어가 1 개인 작은 크기에서도 훈련하는 데 6 시간이 걸렸지 만 테스트 세트에서 마스크를 예측할 수 없었습니다.

누구든지 주제에 대한 다른 방법이나 논문을 제안 할 수 있습니까?

그 자체로는 충분하지 않을 수 있지만 문제 중 하나는 조명 변형과 관련이 있으므로 그림자 제거 전처리 단계가 도움이 될 수 있습니다. 내가 생각하는 기술은 다음 백서에 설명되어 있습니다.

"이미지에서 그림자 제거", GD Finlayson, SD Hordley, C. Lu 및 MS Drew, IEEE 패턴 분석 및 머신 인텔리전스 (PAMI), Vol.28, No.1, 2006 년 1 월, pp.59- 68. http://www.cs.sfu.ca/~mark/ftp/Pami06/pami06.pdf

프로세스의 첫 번째 부분은 조명 불변의 회색조 이미지를 생성하는데,이 경우 아마도 원하는 것입니다. 다음은 그들이 논문에 제시 한 예를 보여줍니다.

_{(출처 : datageist.com )}

실제로, "색도"이미지를 생성하기 위해 한 단계 더 나아가는 것은 살아있는 잎과 죽은 잎을 명확하게 구별해야 할 수도 있습니다. 다시 한 번, 논문의 예 :

_{(출처 : datageist.com )}

그러나 중요한 것은 카메라를 먼저 보정해야한다는 것입니다. 그것이 가능하다고 가정하면, 그들이 묘사하는 표현의 일부 조합은 아마도 당신이 사용하는 다른 방법을보다 효과적으로 만들 것입니다.

소스 이미지에 마스크 이미지를 생성하기 에 충분한 정보가 없다고 생각합니다 . 색상별로 분류하여 시작할 수 있습니다. 즉, 녹색은 흔적이없고 회색 / 갈색입니다. 그러나 "트레일 테두리"에는 마스크에 표시되지 않은 회색 / 갈색 영역이 있습니다. 소스 이미지의 왼쪽 아래 사분면을 참조하십시오.

제공하는 마스크는 소스 이미지에서 분명하지 않은 구조적 제약 조건을 의미합니다. 예를 들어 트레일의 너비가 고정되어있을 경우 해당 정보를 사용하여 패턴 인식기가 반환 한 예비 마스크를 제한 할 수 있습니다.

구조 주제 계속 : 트레일이 다른 트레일과 병합됩니까? 특정 토양 / 자갈 특징으로 흔적이 묘사되어 있습니까? 인간으로서 (패턴 인식에 상당히 능숙합니다!) 저는 왼쪽 아래 사분면에 표시된 기능에 도전합니다. "트레일"로 할인 할 수없는 회색 / 갈색 영역이 보입니다. 지도와 대략적으로 알려진 위치,이 트레일에서의 개인적인 경험 또는이 시점으로 이어지는 일련의 이미지 등 더 많은 정보가 있다면 아마도 결정적으로 할 수있을 것입니다. "이 장면으로 이끈.

내 의견으로는 이미지 모음이 가장 흥미로운 접근법입니다. 그 생각의 라인을 계속 : 하나의 이미지는 충분한 데이터를 제공하지 않을 수 있지만 탁 트인 전망은 장면을 명확하게 할 수 있습니다.

임의의 이미지에서 트레일을 마술처럼 감지하는 단일 알고리즘은 없습니다. 머신 러닝 기반 루틴을 구현하고 트레일을 감지하려면 "트레이닝"해야합니다. 너무 많은 세부 사항을 다루지 않고 감독 학습 방식에서 수행 할 작업에 대한 대략적인 개요가 있습니다.

1. "훈련 예제"가 필요합니다. 즉, 다른 환경에서 트레일의 여러 그림을 의미합니다. 여기에서 관리자 (관리자)는 "트레일"로 간주되는 배경과 "포리스트"라는 배경을 표시했습니다. 이미지를 더 작은 섹션 (일반적으로 8x8)으로 나누고 블록의 DCT (이산 코사인 변환)를 사용하여 이미지를 "기능 공간"으로 변환합니다. 이 경우 각 블록의 DCT는 64 점 "기능 벡터"를 제공합니다.

2. 피쳐 공간 , 피쳐 세트 (64 포인트 피쳐 벡터의 서브 세트) 및 클래스 및 인 클래스 스페이스 정의 훈련 세트에서 :$\mathcal{X}$$\mathbf{x}$$\mathcal{Y}$$y_1=trail$$y_2=forest$

   • 클래스 조건부 분포
     • $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|trail)$ , 클래스가 때 피처의 조건부 밀도 . $trail$
     • $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|forest)$ , 클래스 인 기능에 대한 조건부 밀도 . $forest$
   • 클래스 확률 또는 이전
     • trai$\mathcal{P}_\mathcal{Y}(trail)$ , 블록에서 을 찾을 확률$trail$
     • fores$\mathcal{P}_\mathcal{Y}(forest)$ , 블록에서 을 찾을 확률$forest$

3. 이를 통해 이미지를 테스트하고 (더 작은 조각으로 나눕니다) 사후 확률을 계산합니다. Bayes의 의사 결정 이론을 사용하여 이진 (이 경우) 선택 기준을 다음과 같이 정의합니다.

   $$\widetilde{y}_i(\mathbf{x})=\arg \max_{y_i}\quad \mathcal{P}_\mathcal{X|Y}(\mathbf{x}|y_i)\ \mathcal{P}_\mathcal{Y}(y_i)$$ 여기서 가장 높은 사후 확률을 가진 클래스에 각 블록을 할당합니다. 이진 마스크가 생성됩니다.

이것은 접근 방식에 대한 매우 간단한 개요입니다. 고려해야 할 사항이 몇 가지 있으며, 가장 중요한 것은 문제에 적합한 기능 세트를 선택하는 것입니다. 혼합 모델 사용 및 커널 기반 밀도 추정과 같은 더 복잡한 작업을 수행 할 수도 있지만, 답변을 작성하기에는 너무 상세하고 시간이 많이 걸립니다.

이 접근법이 시도해 볼만한 가치가 있다는 동기 부여와 확인을 위해, 오래 전에 강의 과제로 한 일의 예가 있습니다. 이는 달성하려는 것과 매우 유사합니다. 목표는 배경 식물 (왼쪽 이미지)에서 동물을 감지하는 것이 었습니다. 오른쪽 그림은 전경과 배경을 구별하기 위해 "학습"후에 얻은 이진 마스크를 보여줍니다.

머신 러닝에 대해 더 배우려면 몇 가지 교과서를보십시오. 이 분야에서 잘 알려지고 자주 권장되는 교과서 중 하나는 다음과 같습니다.

T. Hastie, R. Tibshirani 및 J. Friedman, 통계 학습의 요소 : 데이터 마이닝, 추론 및 예측. Springer-Verlag 2nd Ed. (2008)

제공된 링크에서 무료 PDF로 제공됩니다. 다른 좋은 책은 다음과 같습니다.

RO Duda, PE Hart 및 DG Stork, 패턴 분류 , 2nd Ed., John Wiley & Sons (2001)

관심이 있습니까?

색 공간 융합 및 시간 분석에 의한 실시간 횡단 표면 탐지

텍스처 분할에 문제가있는 것 같습니다 (색상 분할이 아님). 많은 방법이 있습니다.

그들은 종종 http://note.sonots.com/SciSoftware/GaborTextureSegmentation.html 과 같은 Gabor 웨이블릿을 사용합니다.

수퍼 픽셀 기반 세분화 http://ttic.uchicago.edu/~xren/research/superpixel/

유사한 그래프 컷 세분화 http://en.wikipedia.org/wiki/Graph_cuts_in_computer_vision

다음은 위키 개요입니다. http://en.wikipedia.org/wiki/Segmentation_(image_processing)