Средневзвешенное значение/момент интенсивности некоторых пикселей
В обработке изображений , компьютерном зрении и смежных областях момент изображения — это определенное средневзвешенное значение ( момент ) интенсивностей пикселей изображения или функция таких моментов, обычно выбираемая так, чтобы она имела некоторое привлекательное свойство или интерпретацию.
Моменты изображения полезны для описания объектов после сегментации . Простые свойства изображения, которые находятся с помощью моментов изображения, включают площадь (или общую интенсивность), его центроид и информацию о его ориентации.
Моменты, которые нужно пережить
Для двумерной непрерывной функции f ( x , y ) момент (иногда называемый «сырым моментом») порядка ( p + q ) определяется как
для p , q = 0,1,2,... Адаптируя это к скалярному (в оттенках серого) изображению с интенсивностью пикселей I ( x , y ), необработанные моменты изображения M ij вычисляются следующим образом:
В некоторых случаях это можно рассчитать, рассматривая изображение как функцию плотности вероятности , т. е. , разделив указанное выше на
Теорема единственности (Ху [1962]) утверждает, что если f ( x , y ) кусочно-непрерывна и имеет ненулевые значения только в конечной части плоскости xy
, то существуют моменты всех порядков, и последовательность моментов ( M pq ) однозначно определяется f ( x , y ). [1] И наоборот, ( M pq ) однозначно определяет f ( x , y ). На практике изображение суммируется с функциями нескольких моментов низшего порядка.
Примеры
Простые свойства изображения, полученные с помощью необработанных моментов, включают в себя:
- Площадь (для бинарных изображений) или сумма уровней серого (для изображений в оттенках серого):
- Центроид:
Центральные моменты
Центральные моменты определяются как
где и — компоненты центроида .
Если ƒ ( x , y ) — цифровое изображение, то предыдущее уравнение принимает вид
Центральные моменты порядка до 3:
Можно показать, что:
Центральные моменты являются трансляционно-инвариантными .
Примеры
Информацию об ориентации изображения можно получить, сначала используя центральные моменты второго порядка для построения ковариационной матрицы .
Ковариационная матрица изображения теперь
- .
Собственные векторы этой матрицы соответствуют большой и малой осям интенсивности изображения, поэтому ориентация может быть извлечена из угла собственного вектора, связанного с наибольшим собственным значением, по отношению к оси, ближайшей к этому собственному вектору. Можно показать, что этот угол Θ задается следующей формулой:
Вышеуказанная формула верна до тех пор, пока:
Собственные значения ковариационной матрицы можно легко показать следующим образом:
и пропорциональны квадрату длины осей собственных векторов. Относительная разница в величине собственных значений, таким образом, является показателем эксцентриситета изображения или того, насколько оно удлинено. Эксцентриситет равен
Инварианты моментов
Моменты широко применяются в анализе изображений, поскольку их можно использовать для вывода инвариантов относительно определенных классов преобразований.
Термин инвариантные моменты часто злоупотребляют в этом контексте. Однако, в то время как инварианты моментов — это инварианты, которые образованы из моментов, единственные моменты, которые сами являются инвариантами, — это центральные моменты. [ необходима цитата ]
Обратите внимание, что инварианты, подробно описанные ниже, являются точно инвариантными только в непрерывной области. В дискретной области ни масштабирование, ни поворот не определены четко: дискретное изображение, преобразованное таким образом, обычно является приближением, и преобразование необратимо. Поэтому эти инварианты являются лишь приблизительно инвариантными при описании формы в дискретном изображении.
Инварианты перевода
Центральные моменты μ i j любого порядка по построению инвариантны относительно трансляций .
Масштабные инварианты
Инварианты η i j относительно как трансляции, так и масштаба могут быть построены из центральных моментов путем деления на соответствующим образом масштабированный нулевой центральный момент:
где i + j ≥ 2. Обратите внимание, что трансляционная инвариантность напрямую следует из использования только центральных моментов.
Инварианты вращения
Как показано в работе Ху, [2] [3] можно построить
инварианты относительно трансляции , масштабирования и вращения :
Они хорошо известны как инварианты момента Ху .
Первый, I 1 , аналогичен моменту инерции вокруг центроида изображения, где интенсивности пикселей аналогичны физической плотности. Первые шесть, I 1 ... I 6 , являются зеркально-симметричными, т.е. они не меняются, если изображение изменяется на зеркальное. Последний, I 7 , является зеркально-антисимметричным (меняет знак при отражении), что позволяет ему различать зеркальные изображения в остальном идентичных изображений.
Общая теория вывода полных и независимых наборов инвариантов вращательного момента была предложена Дж. Флюссером. [4] Он показал, что традиционный набор инвариантов момента Ху не является ни независимым, ни полным. I 3 не очень полезен, так как он зависит от других ( ). В исходном наборе Ху отсутствует независимый инвариант момента третьего порядка:
Как и I 7 , I 8 также является зеркально-антисимметричным.
Позднее Дж. Флюссер и Т. Сук [5] специализировали теорию для случая N-вращательно-симметричных форм.
Приложения
Чжан и др. применили инварианты моментов Ху для решения проблемы обнаружения патологических изменений в мозге (PBD). [6]
Доэрр и Флоренс использовали информацию об ориентации объекта, связанную с центральными моментами второго порядка, для эффективного извлечения трансляционно- и ротационно-инвариантных поперечных сечений объекта из данных микрорентгеновской томографии. [7]
DA Hoeltzel и Wei-Hua Chieng использовали моментный инвариант Ху для работы с размерно-параметризованным четырехзвенным механизмом, что дало 15 различных групп (шаблонов) кривых сцепления из 356 сгенерированных кривых сцепления. [8]
Внешние ссылки
- Анализ бинарных изображений, Эдинбургский университет
- Статистические моменты, Эдинбургский университет
- Вариантные моменты, страница «Машинное восприятие и компьютерное зрение» (исходный код Matlab и Python)
- Вступительное видео Hu Moments на YouTube
- Реализация Gist этой страницы, jupyter и python.
Ссылки
- ^ Гонсалес, Рафаэль С.; Вудс, Ричард Э. (2001). Цифровая обработка изображений . Prentice Hall. стр. 672. ISBN 0-201-18075-8.
- ^ MK Hu, «Визуальное распознавание образов с помощью инвариантов момента», IRE Trans. Info. Theory, т. IT-8, стр. 179–187, 1962
- ^ http://docs.opencv.org/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=cvmatchshapes#humoments Метод OpenCV Ху Моментса
- ^ Дж. Флюссер: «О независимости инвариантов вращательного момента», Распознавание образов, т. 33, стр. 1405–1410, 2000.
- ^ J. Flusser и T. Suk, «Инварианты вращательного момента для распознавания симметричных объектов», IEEE Trans. Image Proc., т. 15, стр. 3784–3790, 2006.
- ^ Чжан, И. (2015). «Обнаружение патологических изменений в мозге на основе вейвлет-энтропии и инвариантов момента Ху». Биомедицинские материалы и инженерия . 26 : 1283–1290. doi : 10.3233/BME-151426 . PMID 26405888.
- ^ Doerr, Frederik; Florence, Alastair (2020). «Методология анализа микрорентгеновских рентгеновских изображений и машинного обучения для характеристики составов многочастичных капсул». International Journal of Pharmaceutics: X . 2 : 100041. doi : 10.1016/j.ijpx.2020.100041 . PMC 6997304 . PMID 32025658.
- ^ Hoeltzel, DA; Chieng, Wei-Hua (1990). «Синтез сопоставления образцов как автоматизированный подход к проектированию механизмов». Труды ASME, Журнал механического проектирования . 112 : 190-199. doi : 10.1115/1.2912592 .