Предложим следующий алгоритм решения:
1. На множестве
2. Конструируем новые подмножества
3. Повторяем пункт 2 до тех пор, пока не получим конечное количество подмножеств
Метод был адаптирован и реализован функциями библиотеки OpenCV. Пример его работы представлен на рис.
№ | Разностное изображение | Результат: области правильной формы | |
Круг | Прямоугольник | ||
1 | | | |
2 | | | |
3 | | | |
Рис. Пример работы алгоритма для разных областей правильной формы.
В первом столбце показаны изображения, полученные после алгоритма сравнения двух изображений. Во втором и третьем столбцах показаны результаты работы вышеописанного алгоритма. Во втором столбце в результате преобразований мы получаем область в виде круга, а в третьем в виде прямоугольника.
В первой и второй строке исходным является изображение руки. Как видно, область движения руки не является однородной. В результате работы алгоритма, область движения руки сводиться к однородной области правильной формы (круг, прямоугольник).
В методе используется гистограмма изображения искомого объекта для нахождения объекта с такими же цветовыми характеристиками на серии изображений.
Нужно построить изображение в оттенках серого цвета, содержащее необходимые нам объекты.
Введём оператор, который преобразует функцию яркости изображения
Обратный оператор
Алгоритм состоит из следующих этапов:
1. Построение гистограмм искомого объекта
2. Формируем новую гистограмму, как нормированное произведение
3. Используя обратное преобразование
Метод был адаптирован и реализован функциями библиотеки OpenCV. Результаты применения метода приведены на рис.
Доска | Черный камень | Белый камень | ||
Искомое изображение | | | | |
Гистограмма искомого изображения | | | | |
Исходное изображение | По гистограмме доски | По гистограмме черного камня | По гистограмме белого камня | |
№ | | | | |
1 | ||||
2 | | | | |
3 | | | | |
Искомыми изображениями являются изображения игровой доски, чёрного и белого камня. В таблице представлены их гистограммы.
С точки зрения задачи распознавания, более удобно использовать изображения объектов, имеющие одинаковый размер и приблизительно одинаковую ориентацию в пространстве. Однако, алгоритмы выделения объектов, возвращают объекты, искаженные перспективой – различных размеров и произвольно ориентированных на изображении.
Для приведения изображения найденного объекта к общему виду, необходимо повернуть его на нужный угол. В эталонных и исследуемых изображениях объектов находятся две контрольные точки, после чего изображения разворачивают, так чтобы вектора, соединяющие эти точки, совпали.
Контрольными точками могут быть, например:
1. Видимый центр изображения.
2. Центр масс изображения.
3. Точка, заметно отличающаяся от остальных по цвету.
4. Центр маркера, поставленного на объекте
и др.
Также, необходимо, привести эталонные и исследуемые изображения к одному размеру.
Перечисленные выше операции выполняются аффинными преобразованиями над матрицами изображений, общий вид которых:
Используются частные случаи аффинных преобразованияй:
1. Растяжение (сжатие) вдоль координатных осей, задаваемое в виде:
Растяжению вдоль соответствующей оси соответствует значение масштабного множителя большего единицы. В однородных координатах матрица растяжения (сжатия) имеет вид
2. Поворот вокруг начальной точки на угол
Матрица вращения (для однородных координат)
3. Перенос, задаваемый простейшими соотношениями:
Матрица переноса имеет вид
Данное раздел включает в себя широкий класс задач, различающихся в основном тем, каким образом задаются характеристики объекта и в как требуется его классифицировать.