La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Détection de contours automatique et application aux images réelles en vision industrielle Alexandre Fournier ~ Jean-Sébastien Garcia DESS Ingénierie de.

Présentations similaires


Présentation au sujet: "Détection de contours automatique et application aux images réelles en vision industrielle Alexandre Fournier ~ Jean-Sébastien Garcia DESS Ingénierie de."— Transcription de la présentation:

1 Détection de contours automatique et application aux images réelles en vision industrielle Alexandre Fournier ~ Jean-Sébastien Garcia DESS Ingénierie de l’Image - Mars Présentation du bureau d’étude -

2 Détection de contours automatique - Introduction - But : détection automatique de contours et suivi. Notre choix : Filtre gaussien et exponentiel  élimination du bruit + détection des contours Performances paramètre Filtrage segmentation seuil vérification seuils

3 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique Atténuation du bruit + Amplitude du gradient + Passages par zéro  Contours Niveau de grisDérivée Dérivée seconde Passage par zéro bruit x

4 Plan : I - La détection a) Principe b) Filtre gaussien -1 c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique g(0)g(1)g(-1)g(2)g(-2) g(x,  ) Image Perte de points  : paramètre de filtrage

5 Plan : I - La détection a) Principe b) Filtre gaussien -2. c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique I(x,y ) Algorithme de calcul des dérivées

6 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel - 1 d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique f1 - 1 er balayage I 1 (0) = I 0 (0) I 1 (i) = a  I 0 (i) + b  I 1 (i-1) i = 1,2,…N-1 f2 – 2 ème balayage I 2 (N-1) = I 1 (N-1) I 2 (i) = a  I 1 (i) + b  I(i+1) i = N-2,…1,0 avec 0

7 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel - 2. d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique - + f1 (y) f2 (y) - + f1 (y) f2 (y) - + f1 (x) f2 (x) f1 (y) f2 (y) I 0 (i,j)*f 2D (x,y) I 0 (i,j) lissage f(x)lissage f(y) Algorithme de calcul des dérivées

8 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours - 1 e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique Principe Segmentation des niveaux de gris de l’amplitude du gradient avec un seuil k, en fonction des passages par zéro. Le seuil est calculé par la méthode du critère discriminant : maximisation de la variance interclasse.

9 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours - 2. e) Choix automatique du paramètre de filtrage II - Suivi Détection de contours automatique Difficultés à obtenir un seuil optimal : exemples de contours Filtre exponentiel (a = 0,9 à 0,3) Filtre gaussien (  = 0,4 à 3) sans bruit avec bruit

10 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage -1 II - Suivi Détection de contours automatique Basé sur un critère unique à minimiser :  c et  nc : variances des niveaux de gris dans l ’amplitude du gradient, respectivement pour les points de contours et non-contours. m c et m nc : idem pour les moyennes.  Filtrage de l’image avec différentes valeurs du paramètre de filtre (a et  ).

11 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage -2 II - Suivi Détection de contours automatique Augmentation du lissage

12 Plan : I - La détection a) Principe b) Filtre gaussien c) Filtre exponentiel d) Segmentation et obtention des contours e) Choix automatique du paramètre de filtrage - test. II - Suivi Détection de contours automatique Filtre exponentiel a=0,9 (k=6) a=0,75 (k=5) Filtre gaussien  =0,4 (k=3)  =0,4 (k=9)

13 Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours application d’outils de la morphologie mathématique Ouverture + fermeture avec différents paramètres Détection de contours automatiques  Suivi de contour

14 Importance de l ’ordre dans la détection Cas limite du suivi « simple » Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours Détection de contours automatiques

15 Détection d ’un saut dans 1 seule liste chaînée Résultat Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours Détection de contours automatiques Saut Delta x = 0Delta x = 0Delta x = 1Delta x = 1Delta x = 2 Delta y = 1Delta y = 1Delta y = 0Delta y = 0Delta y = 1

16 Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours perte d ’information : Détection de contours automatiques  pas de mémorisation des embranchements

17 Deuxième méthode : on empile chaque voisins, on en dépile un, on le suit. Une fois arrivé au bout, on dépile un point et on le suit. Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours Détection de contours automatiques (1,1) ( 2,1) Pile Suivi du dernier point Point contour Mémorisation dans la pile Contour à suivre Voisins 8-connexes Branche 1Branche 2... (1,1) (2,1) (8,4) (8,5) Listes chaînées des contours  Chaque branche = 1 chaîne mais pas de parenté

18 Par arborescence :Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours Détection de contours automatiques Branche mère Branche fille 1 Branche fille 2 Branche fille 11 Branche fille 12 ma fille ma sœur ma fille ma sœur Liste chaînée de points = tête de liste = parenté des branches au niveau des nœuds

19 Élimination par seuil bas et haut : seuil bas : on garde les petites chaînes ayant une correspondance dans les maximums de l ’amplitude du gradient seuil haut : nombre limite de points de contour / chaîne Amplitude du gradient contours résultat Plan : I - Détection II - Le suivi a) rôle du suivi b) première démarche c) détection des sauts d) mémorisation des embranchements e) arborescence f) élimination des faux contours Détection de contours automatiques

20 Détection de contours automatique ~ Conclusion ~ Résultats dépendants du seuil, qui lui, dépend de l ’image Filtre exponentiel plus rapide Choix des contours suivis non optimal Seuil de tolérance pour l ’élimination des branches lié à l ’image Application du cours et enrichissement personnel


Télécharger ppt "Détection de contours automatique et application aux images réelles en vision industrielle Alexandre Fournier ~ Jean-Sébastien Garcia DESS Ingénierie de."

Présentations similaires


Annonces Google