Pełen tekst pracy (~3,8MB)
Pełen tekst pracy (~3,8MB)
Pełen tekst pracy (~3,8MB)
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
ROZDZIA̷L 3. PROBLEMY PRZETWARZANIA OBRAZU 33<br />
E - liczba pikseli sklasyfikowanych niepoprawnie. Wymienione wska´zniki rozpatrywano<br />
w odniesieniu do ̷l acznej ↩ liczby pikseli. Na rys. 3.5, 3.6, 3.7 przedstawiono<br />
wyniki dotyczace ↩ kolejno wzglednych ↩ warto´sci wska´zników SE, NSE i E dla testu<br />
8. Omawiajac ↩ wyniki wykorzystano nastepuj ↩ ace ↩ oznaczenia (w nawiasach podano<br />
wspó̷lrzedne ↩ chromatyczne zastosowane do modelowania koloru skóry):<br />
rgb - znormalizowana przestrzeń RGB; (r,g),<br />
rgb1 - znormalizowana przestrzeń RGB z pominieciem ↩ pikseli o ma̷lych<br />
jasno´sciach; (r,g),<br />
YUV - przestrzeń YUV; (U,V),<br />
YIQ - przestrzeń YIQ; (I,Q),<br />
YIQ1 - przestrzeń YIQ z wykorzystaniem tylko sk̷ladowej I,<br />
OCS - przestrzeń barw przeciwstawnych; (R-G , Ye-B),<br />
OCSL - logarytmiczna wersja przestrzeni barw przeciwstawnych;<br />
(log R-log G, log B-(log R+log G)/2),<br />
I1I2I3 - przestrzeń I1I2I3; (I2,I3),<br />
IHS - przestrzeń IHS; (H, S),<br />
Lab - przestrzeń CIELab; (a*, b*),<br />
G - metoda z aproksymacja↩ histogramu za pomoca↩ rozk̷ladu normalnego,<br />
H - metoda z wyg̷ladzaniem histogramu,<br />
ML - metoda najwiekszej ↩ wiarogodno´sci,<br />
MAP - metoda maksimum prawdopodobieństwa a posteriori.<br />
Dla przestrzeni YIQ z wykorzystaniem tylko sk̷ladowej I otrzymano du˙zo gorsze<br />
wyniki, dlatego pominieto ↩ ja↩ na rys. 3.5 - 3.7.<br />
Podsumowanie wyników wszystkich eksperymentów zawiera tab. 3.2. Syntetyczne<br />
omówienie poszczególnych testów zamieszczono w [35]. Tabele↩ sporzadzono ↩<br />
wybierajac ↩ kryteria E > 5% , NSE, SE > 2.5%. Stwierdzono, ˙ze rezultat E > 2.5%<br />
dotyczy zdecydowanej wiekszo´sci ↩ przypadków. Analizujac ↩ bia̷le pola mo˙zna wskazać<br />
przestrzenie barw i metody detekcji, które okaza̷ly sie↩ najlepsze. Sa↩ to przestrzenie<br />
rgb, rgb1, IHS z metodami detekcji skóry MAP, rgb, rgb1 dla metody ML, OCSL<br />
dla metod H, ML, MAP oraz I1I2I3 z metoda↩ G i Lab z metoda↩ MAP. W tabeli<br />
zauwa˙za sie↩ przewage↩ b̷l edów ↩ typu SE tzn. tendencje↩ do klasyfikowania fragmentów<br />
skóry jako t̷la. B̷l edy ↩ te objawiaja↩ sie↩ w formie dziur w obszarze d̷loni lub jako<br />
efekt erozji morfologicznej. B̷l edy ↩ typu NSE z kolei objawiaja↩ sie↩ jako niewielkie<br />
obiekty w obszarze t̷la oraz podobnie jak efekt dylatacji morfologicznej powoduja↩ np. sklejanie sie↩ palców.<br />
Testy wykonano na komputerze PC z procesorem AMD Athlon 1,81GHz i 1<br />
GB pamieci ↩ RAM pracujacym ↩ pod kontrola↩ systemu operacyjnego Windows XP.<br />
Oprogramowanie napisano w C++ z wykorzystaniem platformy Visual C++ .NET.<br />
Czasy przetwarzania otrzymane dla obrazów o wymiarach 320×240 zamieszczono w<br />
tab. 3.3. Na podstawie przeprowadzonych testów mo˙zna wyró˙znić znormalizowana↩ przestrzeń RGB, logarytmiczna↩ przestrzeń barw przeciwstawnych OCSL, przestrze-<br />
nie IHS, Lab i I1I2I3, dla których otrzymywano najmniejsze b̷l ↩ edy. W´sród metod<br />
segmentacji nieco lepsze okaza̷ly si ↩ e metody bayesowskie. Metody te jednak wyma-