Pregled metoda za automatsku detekciju i prepoznavanje ... - FESB
Pregled metoda za automatsku detekciju i prepoznavanje ... - FESB
Pregled metoda za automatsku detekciju i prepoznavanje ... - FESB
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
udaljenosti od najbližeg ruba, itd.). Metoda koherentnih vektora boja je profinjeniji oblik rafiniranja<br />
histograma u kojemu se svaki stupac histograma dijeli se na temelju prostorne koherentnosti.<br />
Piksel se naziva koherentnim pikselom (engl. coherent pixel) ako je dio poveće granične<br />
regije (tj. ako pripada velikoj skupini piksela jednake boje), a nekoherentnim pikselom (engl.<br />
incoherent pixel) ako nije. Za odre ¯denu diskretnu boju, neki će pikseli biti koherentni, a neki<br />
nekoherentni. Ako <strong>za</strong> j-tu diskretnu boju postoji α j koherentnih piksela i β j nekoherentnih piksela,<br />
onda će ukupni broj piksela te boje biti α j + β j. Koherentni vektor boja može se izraziti<br />
kao {(α1,β1),...,(αn,βn)}, a histogram boja će glasiti {α1 + β1,...,αn + βn}.<br />
U odnosu na histograme boja, koherentni vektori boja funkcioniraju mnogo bolje [30].<br />
3.1.4 Momenti boja<br />
Maheshwari et al. su u [31] momente boja opisali kao mjere koje se mogu upotrijebiti <strong>za</strong> razlikovanje<br />
slika na temelju njihovih značajki koje su ve<strong>za</strong>ne uz boju. Temelji ovoga pristupa<br />
nalaze se u pretpostavci da se distribucija boje na slici može interpretirati kao vjerojatnosna distribucija<br />
(engl. probability distribution). Vjerojatnosne distribucije su karakterizirane brojem<br />
jedinstvenih momenata (npr. normalne distribucije se razlikuju putem njihove sredine (engl.<br />
mean) i varijance). Dakle, ako boja na slici slijedi odre ¯denu vjerojatnosnu distribuciju, onda se<br />
momenti te distribucije mogu koristiti kao značajke na temelju kojih se ta slika može identificirati<br />
na temelju boje.<br />
3.2 Anali<strong>za</strong> teksture na slici<br />
Petrou i Sevilla su u [32] teksturu definirali kao varijaciju u podacima koja se doga ¯da na skali<br />
koja je manja od skale interesa, te nadodali da je tekstura važna zbog dva razloga:<br />
• može predstavljati smetnju u automatskim vizualnim sustavima (npr. algoritmi <strong>za</strong> <strong>detekciju</strong><br />
objekata na temelju oblika bili bi zbunjeni postojanjem dodatnih linija koje tekstura<br />
uzrokuje),<br />
• može predstavljati važnu značajku prilikom prepoznavanja objekata, jer sadrži neke informacije<br />
o materijalu od kojega je objekt napravljen.<br />
Tuceryan i Jain su u [33] metode <strong>za</strong> analizu teksture podijelili na statističke metode, geometrijske<br />
metode, metode utemeljene na modelima (engl. model based methods) i metode<br />
utemeljene na obradi signala (engl. signal processing methods).<br />
Dodatne informacije o različitim <strong>metoda</strong>ma <strong>za</strong> analizu teksture mogu se pronaći u [33, 34,<br />
35].<br />
3.2.1 Statističke metode<br />
Statističkim <strong>metoda</strong>ma <strong>za</strong> analizu teksture mjeri se prostorna distribucija vrijednosti piksela<br />
[35]. Primjeri tehnika koje pripadaju ovoj skupini <strong>metoda</strong> su histogrami drugoga reda (engl.<br />
co-occurrence matrices) i autokorelacijske značajke [33].<br />
Petrou i Sevilla su u [32] opisali histograme drugoga reda te objasnili da oni predstavljaju<br />
jako bogate reprezentacije slike te da prenose informacije o istovremenom pojavljivanju dviju<br />
vrijednosti u odre ¯denoj relativnoj poziciji. Tekstura se uz pomoć (najčešće normaliziranog)<br />
11
Change language