Анализ изображений

Извлечение информации из изображений с помощью методов цифровой обработки изображений.

Анализ изображений или анализ изображений — это извлечение значимой информации из изображений ; в основном из цифровых изображений с помощью методов цифровой обработки изображений . ^[1] Задачи анализа изображений могут быть как простыми, например, считывание меток со штрих-кодом , так и сложными, например, идентификация человека по лицу .

Компьютеры незаменимы для анализа больших объемов данных, для задач, требующих сложных вычислений, или для извлечения количественной информации. С другой стороны, зрительная кора человека — превосходный аппарат для анализа изображений, особенно для извлечения информации более высокого уровня, и для многих приложений — включая медицину, безопасность и дистанционное зондирование — люди-аналитики до сих пор не могут быть заменены компьютерами. По этой причине многие важные инструменты анализа изображений, такие как детекторы границ и нейронные сети, созданы на основе моделей зрительного восприятия человека.

Цифровой

Анализ цифрового изображения или компьютерный анализ изображения — это когда компьютер или электрическое устройство автоматически изучает изображение, чтобы получить из него полезную информацию. Обратите внимание, что устройством часто является компьютер, но также может быть электрическая цепь, цифровая камера или мобильный телефон. Он включает области компьютерного или машинного зрения и медицинской визуализации , а также широко использует распознавание образов , цифровую геометрию и обработку сигналов . Эта область информатики развивалась в 1950-х годах в академических учреждениях, таких как Лаборатория искусственного интеллекта Массачусетского технологического института , первоначально как отрасль искусственного интеллекта и робототехники .

Это количественная или качественная характеристика двумерных (2D) или трехмерных (3D) цифровых изображений . Например, 2D-изображения подлежат анализу в компьютерном зрении , а 3D-изображения — в медицинской визуализации . Эта область была создана в 1950-1970-х годах, например, благодаря новаторскому вкладу Азриэля Розенфельда , Герберта Фримена , Джека Э. Брезенхэма или Кинга-Сун Фу .

Техники

Для автоматического анализа изображений используется множество различных методов. Каждый метод может быть полезен для небольшого круга задач, однако до сих пор не существует известных методов анализа изображений, которые были бы достаточно универсальными для широкого круга задач по сравнению с возможностями человеческого анализа изображений. Примеры методов анализа изображений в различных областях включают:

• Распознавание 2D и 3D объектов ,
• сегментация изображений ,
• обнаружение движения , например, отслеживание одиночной частицы ,
• видео отслеживание ,
• оптический поток ,
• медицинский скан-анализ ,
• 3D-оценка позы .

Приложения

Приложения анализа цифровых изображений постоянно расширяются во всех областях науки и промышленности, в том числе:

• анализ чтения микропланшетов , например, определение места производства химического вещества.
• астрономия , например, вычисление размера планеты.
• автоматическая идентификация видов (например, видов растений и животных)
• защита
• анализ уровня ошибок
• фильтрация
• машинное зрение , например, для автоматического подсчета предметов на заводском конвейере.
• материаловедение , например, определение наличия трещин в металлическом сварном шве.
• медицина , например, обнаружение рака при маммографии.
• металлография , например, определение содержания минералов в образце горной породы.
• микроскопия , например подсчет микробов в тампоне.
• автоматическое распознавание номерного знака ;
• оптическое распознавание символов , например автоматическое обнаружение номерного знака.
• дистанционное зондирование , например, обнаружение злоумышленников в доме и создание карт земного покрова/землепользования. ^{[2] [3]}
• робототехника , например, чтобы избежать наезда на препятствие.
• безопасность , например определение цвета глаз или цвета волос человека.

Объектно-ориентированный

Сегментация изображений при анализе базового изображения объекта

Объектно-ориентированный анализ изображений ( OBIA ) включает в себя два типичных процесса: сегментацию и классификацию. Сегментация помогает группировать пиксели в однородные объекты. Объекты обычно соответствуют отдельным интересующим особенностям, хотя весьма вероятна чрезмерная или недостаточная сегментация. Классификацию затем можно выполнять на уровнях объектов, используя различную статистику объектов в качестве функций классификатора. Статистика может включать геометрию, контекст и текстуру объектов изображения. При классификации изображений с высоким разрешением чрезмерная сегментация часто предпочтительнее недостаточной. ^[4]

Объектно-ориентированный анализ изображений применяется во многих областях, таких как клеточная биология, медицина, науки о Земле и дистанционное зондирование. Например, он может обнаруживать изменения формы клеток в процессе дифференцировки клеток; ^[5] он также широко использовался в картографическом сообществе для создания растительного покрова . ^{[4] [6]}

Применительно к изображениям Земли OBIA известен как анализ изображений на основе географических объектов (GEOBIA), определяемый как «поддисциплина геоинформационной науки, посвященная (...) разделению изображений дистанционного зондирования (RS) на значимые изображения-объекты, и оценка их характеристик через пространственную, спектральную и временную шкалу». ^{[7] [6]} Международная конференция GEOBIA проводится два раза в год с 2006 года. ^[8]

Методы OBIA реализованы в таком программном обеспечении, как eCognition или набор инструментов Orfeo .

Смотрите также

• Археологические изображения
• Технологии визуализации
• Обработка изображений
• imc FAMOS (1987), графический анализ данных
• Картирование земельного покрова
• Военная разведка
• Дистанционное зондирование

Рекомендации

1. Соломон, CJ, Брекон, TP (2010). Основы цифровой обработки изображений: практический подход с примерами в Matlab . Уайли-Блэквелл. дои : 10.1002/9780470689776. ISBN 978-0470844731.{{cite book}}: CS1 maint: multiple names: authors list (link)
2. Се, Ю.; Ша, З.; Ю, М. (2008). «Изображения дистанционного зондирования при картировании растительности: обзор». Журнал экологии растений . 1 (1): 9–23. дои : 10.1093/jpe/rtm005 .
3. Вильшут, Л.И.; Аддинк, Э.А.; Хестербек, Япония; Дубянский В.М.; Дэвис, ЮАР; Лаудисуа, А.; Бегон, М.; Бурделов Л.А.; Атшабар, ББ; де Йонг, С.М. (2013). «Картирование распространения основного хозяина чумы в сложном ландшафте Казахстана: объектно-ориентированный подход с использованием SPOT-5 XS, Landsat 7 ETM+, SRTM и нескольких случайных лесов». Международный журнал прикладного наблюдения Земли и геоинформации . 23 (100): 81–94. Бибкод : 2013IJAEO..23...81W. дои : 10.1016/j.jag.2012.11.007. ПМК 4010295 . ПМИД  24817838. 
4. Лю, Дэн; Томан, Элизабет; Фуллер, Зейн; Чен, Банда; Лондо, Алексис; Сюэсун, Чжан; Кайгуан, Чжао (2018). «Интеграция исторической карты и аэрофотоснимков для характеристики долгосрочных изменений в землепользовании и динамики ландшафта: объектный анализ с помощью случайных лесов» (PDF) . Экологические показатели . 95 (1): 595–605. doi :10.1016/j.ecolind.2018.08.004. S2CID  92025959.
5. Зальцманн, М.; Хозель, Б.; Хаазе, М.; Муссбахер, М.; Шротмайер, WC; Крал-Пойнтнер, Дж.Б.; Финстербуш, М.; Мажарян А.; Ассингер, А. (20 февраля 2018 г.). «Новый метод автоматизированной оценки дифференцировки мегакариоцитов и образования протромбоцитов» (PDF) . Тромбоциты . 29 (4): 357–364. дои : 10.1080/09537104.2018.1430359 . ISSN  1369-1635. PMID  29461915. S2CID  3785563.
6. Блашке, Томас; Хэй, Джеффри Дж.; Келли, Мэгги; Ланг, Стефан; Хофманн, Питер; Аддинк, Элизабет; Кейруш Фейтоса, Рауль; ван дер Меер, Фрик; ван дер Верфф, Харальд; ван Койли, Фрике; Тиде, Дирк (2014). «Географический объектно-ориентированный анализ изображений - на пути к новой парадигме». Журнал фотограмметрии и дистанционного зондирования ISPRS . 87 (100). Эльзевир Б.В.: 180–191. Бибкод : 2014JPRS...87..180B. дои : 10.1016/j.isprsjprs.2013.09.014 . ISSN  0924-2716. ПМЦ 3945831 . ПМИД  24623958. 
7. Г. Дж. Хэй и Г. Кастилья: Географический объектно-ориентированный анализ изображений (GEOBIA): новое название для новой дисциплины. В: Т. Блашке, С. Ланг и Г. Хэй (ред.): Объектно-ориентированный анализ изображений – пространственные концепции для основанных на знаниях приложений дистанционного зондирования. Конспекты лекций по геоинформации и картографии, 18. Springer, Берлин/Гейдельберг, Германия: 75-89 (2008).
8. «Дистанционное зондирование | Специальный выпуск: Достижения в области географического объектно-ориентированного анализа изображений (GEOBIA)» . Архивировано из оригинала 12 декабря 2013 г.

дальнейшее чтение

• Справочник по обработке изображений Джона К. Расса, ISBN 0-8493-7254-2 (2006) 
• Обработка и анализ изображений - вариационные, PDE, вейвлетные и стохастические методы Тони Ф. Чана и Цзяньхуна (Джеки) Шена, ISBN 0-89871-589-X (2005) 
• Предварительное видение и многомасштабный анализ изображений, Барт М. тер Хаар Ромени, мягкая обложка, ISBN 1-4020-1507-0 (2003) 
• Практическое руководство по анализу изображений Дж. Дж. Фрила и др., ASM International , ISBN 0-87170-688-1 (2000). 
• Основы обработки изображений Яна Т. Янга, Яна Дж. Гербрандса, Лукаса Дж. Ван Влита, мягкая обложка, ISBN 90-75691-01-7 (1995) 
• Анализ изображений и металлография под редакцией П. Дж. Кенни и др., Международного металлографического общества и ASM International (1989).
• Количественный анализ изображений микроструктур, проведенный HE Exner и HP Hougardy, DGM Informationsgesellschaft mbH, ISBN 3-88355-132-5 (1988). 
• «Подготовка металлографических и материалографических образцов, световая микроскопия, анализ изображений и определение твердости», Кей Гилс в сотрудничестве со Struers A/S, ASTM International, 2006.