數位影像處理_黃正民_單元五 型態學影像處理_Part 10 型態學影像處理的延伸應用(上)

. DeltaMOOCx
50粉絲
1 次觀看·2023年12月1日
DeltaMOOCx 台達磨課師是大學及高中/高工的免費公益磨課師(MOOCs)平臺。練習題、討論、教師輔導及更多數位課程資源,請至https://univ.deltamoocx.net 註冊。本影片採用「創用CC-姓名標示-非商業性-禁止改作4.0」臺灣授權條款,相關授權作業依「創用CC-姓名標示-非商業性-禁止改作4.0」規範辦理。
各位同學大家好,歡迎回到形態學影像處理
在這一個 part 之中,我們將進一步來看到形態學影像處理
在實際的影像偵測或是識別上面的一些應用實例
讓大家瞭解影像處理中的形態學
會在各個一些問題之中扮演什麼樣子的角色
首先我們來看到這個輪胎胎紋影像檢測的例子
我們大概從一些新聞報導之中曉得
現在臺灣汽機車的肇事事故頻繁
肇事的原因最常來自於我們的剎車系統出現問題
或是輪胎過薄或是車胎胎壓不足這些問題
在這個問題之中,我們希望透過影像檢測的方式
來自動化的檢視我們的輪胎胎紋是否夠深
是否需要做一些輪胎的更換
因為輪胎的胎紋代表的事情其實就是說
當我們胎紋夠深的時候
它的排水或是排砂的功能才會正常
如果輪胎胎紋磨損的太淺的時候
我們就必須一定要來做更換
那在現行的法規上面也有規範說
輪胎胎紋如果深度不符合的話
我們被攔檢到的時候可能最低會被處以三千塊以上的罰款
那我們來看到這是一個輪胎胎紋影像檢測的流程圖
首先一開始我們會以攝影機去拍攝一張輪胎胎紋的灰階影像
如左圖所示
接著我們去將其二值化之後就得到了這個黑白的影像區塊
那在這裡我們設定希望將二值化的結果
顯示成胎紋是白色的區塊
那其他胎面的這個部分我們將其顯示成黑色的背景
在這個部分我們就會透過形態學影像去處理
將一些白色雜點去除或是將一些黑洞補齊等等的
如我們之前所述
我們希望得到一張比較理想而且比較明顯的輪胎胎紋
接著我們可能就會再去做一個連通元件的處理
將胎紋的這些區塊
把它完整的每一個胎紋的區塊把它表示出來
連接出來
最後我們會去計算每一個胎紋區塊
它的這個面積大小或是胎紋輪廓的長短
來判別辨識我們的這個輪胎影像
是否是屬於一個胎紋夠深或是胎紋過淺
的這個辨識結果
那如我們剛剛所說到
我們在形態學影像處理之中呢
我們將二值化影像處理的結果
希望透過形態學影像去處理
將二值化影像結果背景這些白色雜點
去除
那在胎紋的這些白色區塊的部分呢
我們希望將其黑色這些小洞去填補
那整個胎紋輪廓呢
也能夠變得比較完整平滑連續
這是我們形態學的目標
那在這個處理的部分呢
我們在實例裡面
我們是做了一個斷開處理
也就是將二值化影像先侵蝕
之後再去做膨脹
那我們輸入影像的影像大小
大概會有3024乘以3024這麼多的像素點
這樣的一個影像大小
那我們使用的侵蝕以及膨脹
就是斷開處理的結構元素大小
是一個正方形11x11的結構元素
在這個實例之中呢
我們可以看到
左邊呢就是我們輸入的灰階影像
中間呢就是我們經過了二值化
形態學以及區塊
連通區塊之後的處理
結果得到紅色這個胎紋的區塊
上面的圖呢
是屬於胎紋正常的部分
下面的圖呢
很明顯的紅色區塊過少
所以其實就是胎紋過淺
那我們會收集多張胎紋正常
以及胎紋過淺的這些
這個資料
影像資料之後呢
我們把它建立在一個
二維的向量空間之中
如右圖所示
這個向量空間的橫軸呢
就是定義區塊的面積大小
縱軸呢就是定義區塊的
這個胎紋區塊的輪廓長度
好那接著呢
我們可能就會使用一個KNN
或是其他
這個自動化的分類判斷的一些演算法
那我們就可以很明顯的知道
綠色區塊呢
可能就是屬於胎紋正常的
這個特徵向量區塊
紅色區塊呢其實就是屬於
這個胎紋過淺的特徵
影像特徵向量區塊
那當我們現在輸入了一張
這個胎紋的影像之後呢
我們透過了二值化
型態學
以及這個連通區塊之後
好我們進一步去分析
其中的區塊面積
輪廓長度
我們來判斷它是落在
這張測試影像的
影像特徵會落在紅色區塊
或是綠色區塊
如果是落在紅色區塊裡面的
一個影像特徵的話
我們就可以判斷這是屬於一張
胎紋過淺
需要更換的輪胎
好那這個就是我們的
輪胎胎紋影像檢測的部分
好接下來呢
我們來看一個車牌影像
偵測的應用實例
那在一般
現行的這個系統之中呢
在固定的環境之中
比如說像是在停車場
或是在一些停車出入口
或是在一些收費閘道的出入口的地方呢
其實車牌偵測
或是車牌辨識的成果
已經相當的完善了
但是如果在一些比較
環境複雜多幹擾的
狀況下面呢
像是在一般的這個
街道上或是在
一般的停車場
當車輛比較多的時候
環境比較複雜的時候
那車牌辨識的成功率呢
就可能會大幅的降低
那在這個應用實例裡面呢
我們就希望來介紹給大家
如何去透過
影像處理、影像偵測
來找出影像之中
可能會有車牌的一些區塊
我們會將其用綠色的框框
把它標記出來
那我們也會在這個例子裡面呢
就是告訴大家型態學影像處理
會扮演什麼樣子的角色
那這是一個
車牌影像偵測的一個流程圖
我們首先會輸入了一張
這個
車牌偵測影像之後
如左圖所示
那我們會透過一些預處理
比如說像是轉成灰階影像
再轉成二值化影像
然後呢
我們去進一步的去偵測說
像是這個輸入影像之中
可能有哪些部分
它的影像的紋理變化
其實比較複雜
變化比較多的地方
我們會先將其用紅色的框框
框選出來
接著呢
我們在這個車牌候選的影像區塊
就是在這些紅色框框裡面
我們就會將其做
二值化
然後呢
進一步的去做型態學影像處理
好
那型態學影像處理的結果呢
我們就會去判斷在這個
可能的車牌候選區塊裡面
它的一些黑白
比例
或是這個黑白的變化的次數
頻率
還有呢
以及它的一些
連通區塊的面積
大小
等等的
然後把這些特色呢
丟入到我們的車牌影像偵測的
自動分類器之中
來判斷在這個車牌影像候選區裡面
到底是不是有一個車牌
一個機車或是汽車的車牌
存在於候選區當中
好
那在這一步
這個應用實例裡面呢
我們的型態學呢
就是希望去去除化在這個
車牌候選區當中的一些
車牌的雜訊
或是車牌的一些背景雜訊
去去除這些黑色的小點
或是填補一些
黑色的小洞
那以進一步的提升
我們的這個車牌偵測的
偵測率
好那在這裡呢
我們透過一個斷開處理
也就是先將惡質化的車牌候選區
去做侵蝕
然後再做膨脹
那結果就可以得到如右圖所示
一個比較理想
乾淨的一個車牌候選區
那我們一個輸入的
候選區塊大小可能最大的會
這個輸入的
圓圖會是1280
乘上800一個輸入圖
那候選區塊呢
可能最大的會到300乘200
最小大概也有個
200乘100的左右一個候選區塊
那我們所使用的
這個侵蝕與膨脹型態學的結構元素
是用一個3乘3的正方形
來做型態學的處理
好那除了我們會去
收集很多車牌的樣本之外呢
因為為了要做辨識
我們會也會收集很多
非車牌的一些樣本
也是副樣本
那我可以看到包含像是一些車尾燈
或是環境中
的一些紋理
數字或是車燈
車的引擎蓋或是停車場
裡面的一些標記等等
我們會收集環境中各式各樣
非車牌的一些特色區塊
來做為
非車牌的副樣本
好那同樣的
車牌影像的樣本
以及非車牌影像的樣本呢
我們都會去做型態學影像的處理
讓它變得內部的資料
比較理想單純
那在這一頁裡面呢
我們就可以看到我們的偵測結果
我們現在的一張輸入影像之後
我們就會透過剛剛所說的前處理
然後緊接著是
我們的這個型態學處理
然後最後是我們的這個
辨識判斷
我們就可以去將現在這一張影像中
可能是車牌的
一些區塊
將其標記出來
好的那在這個小節裡面呢
我們學到型態學影像處理的
兩個應用實例
包含像是輪胎胎紋的影像檢測
或是
汽機車車牌的影像偵測
的兩個應用實例
在下一個小節裡面
我們將進一步來看
其他兩個型態學影像
在偵測或是追蹤
上面的兩個應用實例
謝謝大家
