Histogram Eşikleme – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Histogram Eşikleme

Renksiz bölge içindeki segmentasyon, değer bileşeninin histogramı kullanılarak gerçekleştirilir. Değer histogramı ilk önce ölçek-uzay filtreleme yaklaşımıyla oluşturulur ve düzeltilir. Daha sonra en büyük tepe seçilir ve daha sonra bu tepenin her iki yanında vadiler bulunur.

İki vadi noktası içindeki piksel değerleri, tekdüze alan olarak sınıflandırılır. Sırasıyla izole edilmiş pikselleri ve küçük bölgeleri (yani, önceden tanımlanmış bir eşikten daha az) kaldırmak için medyan filtreleme ve bölge kaldırmayı içeren bir dizi ikili işlem kullanılır.

Bu işlem, akromatik bölge içindeki tüm pikseller önemli tekdüzelik alanlarına bölünene kadar yinelemeli olarak tekrarlanır (yani, küçük bölge çıkarma adımından sonra histogramdan daha fazla bölge çıkarılamaz).

Az önce açıklanan prosedür, geçiş bölgesi içindeki piksellerin değer histogramı kullanılarak da gerçekleştirilir. Bu bölge içindeki alanların bir miktar kroma bileşeni varmış gibi görünür ve bu nedenle akromatik bölgeden ayrı tutulur.

Son olarak, kromatik bölge, tanımlandığı gibi, kroma piksellerinin hue histogramı kullanılarak bölümlere ayrılır. Bununla birlikte, kromatik alanı alt bölgelere daha fazla bölmenin, segmentasyon sonuçlarında bir iyileşme sağladığını bulduk.

Bu bölünme, kromatik bölgenin düzleştirilmiş doygunluk histogramının vadilerinde (yani tepe noktaları arasında) gerçekleştirilir.

Aslında, bu, daha iyi sonuçlar için kromatik alanları değişen doygunluk seviyelerine böler (yani, aynı tona sahip ancak farklı doygunluk değerlerine sahip iki alan birlikte gruplandırılmaz). Segmentasyon, ton bileşeninin histogramı kullanılarak bu kromatik alt bölgelerin her biri içinde gerçekleştirilir (yani, yukarıdaki değer bileşeniyle yapıldığı gibi).

Son İşleme ve Bölge Birleştirme

Önceki alt bölümde açıklanan özyinelemeli histogram prosedürü, hiçbir tekdüzelik alanı daha fazla çıkarılamayana kadar üç ana bölgenin her birine uygulanır. Bununla birlikte, bu işlemin bir sonucu olarak (yani, küçük bölge çıkarma, medyan filtreleme, vb. nedeniyle) bazı pikseller hala sınıflandırılmamış kalacaktır.

Bu pikseller daha sonra aşağıdaki gibi ilk histogram çıkarma işleminde elde edilen bölgeler kümesinden en iyi eşleşen bölgeye (uzaysal olarak yerel bir pencere içinde) birleştirilir.

Görüntü kademeli olarak taranır (raster tarama tarzında) ve başlangıçta parçalanmış bir alandan en az bir pikseli sınırlayan (8. bağlantılı en yakın komşu anlamında) sınıflandırılmamış her piksel için 3 × 3’lük bir pencere oluşturulur.

L2 normu, penceredeki her piksel için merkezi piksele (yani sınıflandırılmamış piksele) göre hesaplanır. En küçük değer alınır ve önceden tanımlanmış bir eşikle karşılaştırılır. Eşik değerinden küçükse, merkezi piksel karşılık gelen pikselin (yani, en küçük L2 normuna sahip olanın) ait olduğu alana dahil edilir.

Eşik değerini aşarsa, merkezi piksel sınıflandırılmamış olarak kalır. Piksel siteleri, tüm sınıflandırılmamış pikseller uygun bir bölgede gruplanana kadar bir dizi yineleme yoluyla yeniden ziyaret edilir. Belirli bir yinelemede gruplama yapılmadığında, sürecin yakınsaması için eşik değerleri yükseltilir.

Başlangıç eşik değerinin seçimi oldukça küçüktür ve tüm pikseller sınıflandırılana kadar kademeli olarak gevşetilir (yani arttırılır). Bu işlem çok hızlıdır çünkü genellikle birkaç yineleme gerektiren az sayıda piksel (tipik olarak bölgelerin sınırlarında) vardır.

histogram
Excel histogram
MATLAB histogram
What is histogram
Numpy histogram
Color histogram
Local histogram equalization
Word histogram

Tüm pikseller sınıflandırıldıktan sonra, çıkarılan bölgeleri iyileştirmek için bir dizi ikili morfolojik işlem kullanılır. İlk olarak küçük mahmuzları ve ince kanalları çıkarmak için bir ikili morfolojik açma işlemi kullanılır, ardından küçük delikleri ve boşlukları doldurmak için bir ikili morfolojik kapatma işlemi kullanılır.

Bu aşamada, görüntünün bir dizi rafine, tek biçimli bölgeye bölünmesi tamamlanır. Ancak, küçük bölge kaldırma eşiği çok düşük ayarlanırsa, aşırı bölümlenmiş bir bölge ortaya çıkabilir. Bölge birleştirme, benzer ortalama ton değerine sahip sınır bölgeleri birleştirerek bu durumu aşmak için kullanılır.

İki bölgenin ortalama RGB değerlerinin Öklid mesafesi ayarlanan bir eşikten azsa, bitişik bölgeler birleştirilir. HSV renk uzayında uygun bir mesafe metriği olmadığı için RGB uzayında bölge birleştirme işlemi gerçekleştirilir.

Bölgeler birleştirilebilir, böylece en küçük bölge minimum boyutta olur veya belirli sayıda bölge elde edilir. Burada, hesaplama karmaşıklığını azaltmak için deneysel değerlere dayalı sabit bir eşik seçiyoruz. Uygun bir eşik ayarlamak, bölgeleri anlamsal olarak anlamlı nesnelerle çakışacak şekilde azaltabilir.

Deneysel Sonuçlar

Önerilen segmentasyon şemasının performansı, bir dizi farklı video dizisi ile test edildi ve Carphone ve Claire dizilerinin sonuçları aşağıda gösterilmektedir. Şekil 5.2a ve b’de, Carphone QCIF (176 × 144) dizisinin sonuçları gösterilmektedir.

Bölüm a, orijinal görüntünün çerçevesini (80) gösterirken, bölüm b, bitişik alanların birleştirildiği ve bölge sayısının azaltıldığı bölge birleştirmeden sonraki bölümleme sonuçlarını gösterir. Çevreleri 30 pikselden azsa küçük bölgeler kaldırıldı. Daha küçük bir eşik ayarlamak, fazla bölümlenmiş bir görüntüyle sonuçlanabilecek birçok ek küçük bölge oluşturur. Ancak bu, aynı zamanda sahnede mevcut olan bazı ek ayrıntıları da yakalayabilir.

Son işleme işlemleri, 5 × 5’lik bir ikili medyan filtresi ve dairesel bir morfolojik yapılandırma elemanı içeriyordu. İçinde, Claire CIF (360×288) dizisinin sonuçları görüntülenir. Bir kez daha, bu daha az ayrıntılı sahnede keyfi bir dizi bölge etkili bir şekilde çıkarılmıştır.

Bu segmentasyon şemasının etkinliği ve daha uygun içerik tabanlı sunum potansiyeli, gelecekteki nesne tabanlı video kodlama ortamları için cesaret vericidir. Bu yaklaşım, bölgelerin anlamsal olarak anlamlı nesnelerle ilişkilendirilebilmesi için hareket bilgisini içerecek şekilde daha da geliştirilmektedir.

İnsan yüzlerinin tanınması şu anda bilgisayarla görme alanında aktif bir araştırma alanıdır. İnsan yüzlerini tanıma görevi temelde iki aşamalı bir süreçtir: (1) insan yüzünün algılanması ve otomatik olarak konumu ve (2) çıkarılan özelliklere dayalı olarak yüzün otomatik olarak tanımlanması gerekir.

Bugüne kadar yapılan araştırmaların çoğu, ilk yerelleştirme aşamasına daha az vurgu yapılarak tanımlama aşamasına yöneliktir. Bununla birlikte, ilk adım, ikincinin ve genel tanıma sisteminin başarısı için kritik öneme sahiptir.

Bu nedenle, güvenlik amaçlı insan tanıma, insan-bilgisayar arayüzleri ve son zamanlarda video kodlama, multimedya veritabanları ve isteğe bağlı video dahil olmak üzere çok sayıda multimedya uygulamasında yüzün doğru bir şekilde konumlandırılmasının önemi açık ve hayatidir. Bununla birlikte, karmaşık veya hareketli bir arka plana sahip bir sahnede boyutu bilinmeyen bir yüzün konumunun belirlenmesi, nispeten keşfedilmemiş zor bir problem olmaya devam etmektedir.

Makale Deniz

Biyografinin Tamamını Gör