stringtranslate.com

Анализ изображения

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 такими простыми, как считывание штрих-кодов , или такими сложными, как идентификация человека по его лицу .

Компьютеры незаменимы для анализа больших объемов данных, для задач, требующих сложных вычислений, или для извлечения количественной информации. С другой стороны, зрительная кора головного мозга человека является превосходным аппаратом для анализа изображений, особенно для извлечения информации более высокого уровня, и для многих приложений — включая медицину, безопасность и дистанционное зондирование — человеческие аналитики по-прежнему не могут быть заменены компьютерами. По этой причине многие важные инструменты анализа изображений, такие как детекторы контуров и нейронные сети, вдохновлены моделями человеческого визуального восприятия .

Цифровой

Анализ цифровых изображений или компьютерный анализ изображений — это когда компьютер или электрическое устройство автоматически изучает изображение, чтобы получить из него полезную информацию. Обратите внимание, что устройство часто является компьютером, но также может быть электрической схемой, цифровой камерой или мобильным телефоном. Он охватывает области компьютерного или машинного зрения и медицинской визуализации и активно использует распознавание образов , цифровую геометрию и обработку сигналов . Эта область компьютерной науки 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 . Двумерные изображения, например, подлежат анализу в компьютерном зрении , а трехмерные изображения — в медицинской визуализации . Область была создана в 1950—1970-х годах, например, благодаря пионерскому вкладу Азриэля Розенфельда , Герберта Фримена , Джека Э. Брезенхэма или Кинг-Сун Фу .

Методы

Существует множество различных методов автоматического анализа изображений. Каждый метод может быть полезен для небольшого круга задач, однако до сих пор не известны методы анализа изображений, которые были бы достаточно универсальны для широкого круга задач по сравнению с возможностями анализа изображений человека. Примеры методов анализа изображений в различных областях включают:

Приложения

Применение цифрового анализа изображений постоянно расширяется во всех областях науки и промышленности, включая:


Объектно-ориентированный

Сегментация изображения при анализе базового изображения объекта

Анализ изображений на основе объектов ( OBIA ) включает два типичных процесса: сегментацию и классификацию. Сегментация помогает группировать пиксели в однородные объекты. Объекты обычно соответствуют отдельным интересующим признакам, хотя весьма вероятна избыточная или недостаточная сегментация. Затем классификация может выполняться на уровне объектов, используя различные статистические данные объектов в качестве признаков в классификаторе. Статистика может включать геометрию, контекст и текстуру объектов изображения. Избыточная сегментация часто предпочтительнее недостаточной сегментации при классификации изображений с высоким разрешением. [5]

Объектно-ориентированный анализ изображений применяется во многих областях, таких как клеточная биология, медицина, науки о Земле и дистанционное зондирование. Например, он может обнаруживать изменения клеточных форм в процессе клеточной дифференциации.; [6] он также широко используется в картографическом сообществе для создания земельного покрова . [5] [7]

Применительно к изображениям Земли OBIA известен как географический объектно-ориентированный анализ изображений (GEOBIA), определяемый как «поддисциплина геоинформационной науки, посвященная (...) разделению изображений дистанционного зондирования (ДЗ) на значимые объекты изображения и оценке их характеристик с помощью пространственной, спектральной и временной шкалы». [8] [7] Международная конференция GEOBIA проводится два раза в год с 2006 года. [9]

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

Смотрите также

Ссылки

  1. ^ Соломон, CJ, Брекон, TP (2010). Основы цифровой обработки изображений: практический подход с примерами в Matlab . Wiley-Blackwell. doi :10.1002/9780470689776. ISBN 978-0470844731.{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
  2. ^ Кендзия, Алисия; Дерковский, Войцех (2024). «Современные методы нейроанатомических и нейрофизиологических исследований». МетодыX . 13 : 102881. doi : 10.1016/j.mex.2024.102881. ISSN  2215-0161. ПМК 11340600 . ПМИД  39176151. 
  3. ^ Xie, Y.; Sha, Z.; Yu, M. (2008). «Дистанционное зондирование изображений в картировании растительности: обзор». Журнал экологии растений . 1 (1): 9–23. doi : 10.1093/jpe/rtm005 .
  4. ^ Wilschut, LI; Addink, EA; Heesterbeek, JAP; Dubyanskiy, VM; Davis, SA; Laudisoit, A.; Begon, M.; Burdelov, LA; Atshabar, BB; de Jong, SM (2013). «Картографирование распределения 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 геоинформатики . 23 (100): 81–94. Bibcode : 2013IJAEO..23...81W. doi : 10.1016/j.jag.2012.11.007. PMC 4010295. PMID  24817838 . 
  5. ^ ab Лю, Дэн; Томан, Элизабет; Фуллер, Зейн; Чэнь, Ганг; Лондо, Алексис; Сюэсонг, Чжан; Кайгуан, Чжао (2018). «Интеграция исторической карты и аэрофотоснимков для характеристики долгосрочных изменений в землепользовании и динамики ландшафта: объектно-ориентированный анализ с помощью случайных лесов» (PDF) . Экологические индикаторы . 95 (1): 595–605. Bibcode :2018EcInd..95..595L. doi :10.1016/j.ecolind.2018.08.004. S2CID  92025959.
  6. ^ Salzmann, M.; Hoesel, B.; Haase, M.; Mussbacher, M.; Schrottmaier, WC; Kral-Pointner, JB; Finsterbusch, M.; Mazharian, A.; Assinger, A. (2018-02-20). "Новый метод автоматизированной оценки дифференцировки мегакариоцитов и образования протромбоцитов" (PDF) . Platelets . 29 (4): 357–364. doi : 10.1080/09537104.2018.1430359 . ISSN  1369-1635. PMID  29461915. S2CID  3785563.
  7. ^ Аб 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 . PMID  24623958. 
  8. ^ GJ Hay & G. Castilla: Географический объектно-ориентированный анализ изображений (GEOBIA): новое название для новой дисциплины. В: T. Blaschke, S. Lang & G. Hay (ред.): Объектно-ориентированный анализ изображений – пространственные концепции для приложений дистанционного зондирования, основанных на знаниях. Lecture Notes in Geoinformation and Cartography, 18. Springer, Берлин/Гейдельберг, Германия: 75-89 (2008)
  9. ^ "Дистанционное зондирование | Специальный выпуск: Достижения в области анализа изображений на основе географических объектов (GEOBIA)". Архивировано из оригинала 2013-12-12.

Дальнейшее чтение