Исследование систем управления манипулятором MR-999Е
Диссертация - Компьютеры, программирование
Другие диссертации по предмету Компьютеры, программирование
Необходим для выполнения следующих операций:
-захват видео с камер и из видео файлов, чтение/запись статических изображений;
-функции для организации простого UI (сейчас все демо приложения используют HighGUI).- Экспериментальные и устаревшие функции
Данный модуль выполняет:
-пространственное зрение: стерео калибрация, само калибрация;
-поиск стерео-соответствия, клики в графах;
-нахождение и описание черт лица;
-сравнение форм, построение скелетонов;
-скрытые Марковские цепи;
-описание текстур.
Оператор Собеля вычисляет первые, вторые, третьи или смешанные производные изображения, используя расширенный оператор.
Функция вычисляет производную изображения, скручивая изображение с соответствующим ядром.
(3.2)
Операторы Собеля комбинируют Гауссово сглаживание и дифференцирование, таким образом результат более или менее устойчив к искажению. Чаще всего, функция вызвана, чтобы вычислить сначала x-или y-производную изображения. Первый случай (Х-оператор) соответствует
,
второй случай (У-оператор)
или
в зависимости от начала координат изображения. Так как масштабирование не сделано, изображение адресата обычно имеет больший размер абсолютной величины, чем исходное изображение.
Ядра применяются к каждому пикселю изображения: он помещается в центр ядра, и значения интенсивности в соседних точках умножаются на соответствующие коэффициенты ядра, после чего полученные значения суммируются. Х-оператор Собеля, примененный к 3х3 матрице исходного изображения, дает величину горизонтальной составляющей градиента интенсивности в центральной точке этой матрицы, а Y-оператор Собеля дает величину вертикальной составляющей градиента [1]. Коэффициенты ядра выбраны так, чтобы при его применении одновременно выполнялось сглаживание в одном направлении и вычисление пространственной производной - в другом. Величина градиента определяется как квадратный корень из суммы квадратов значений горизонтальной и вертикальной составляющих градиента.
В результате образуется массив чисел, характеризующих изменения яркости в различных точках изображения. Затем выполняется операция сравнения с порогом и определяется положение элементов изображения с наиболее сильными перепадами яркости. Выбор порога является одним из ключевых вопросов выделения перепадов [27].
В результате обработки получается бинарная матрица, где единицам соответствуют точки со значительным перепадом яркости, нулям - все остальные. В качестве дополнительной меры в борьбе с шумом и ликвидации возможных разрывов в контурах применяются морфологические операции.
В библиотеке компьютерного зрения OpenCV этот оператор представлен функцией void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 ), где src - исходное изображение; dst - получаемое изображение; xorder - производная по координате х; yorder - производная по координате у; aperture_size - размер апертуры изображения (Апертура в оптике - действующее отверстие оптического прибора, определяемое размерами линз или диафрагмами).
Оператор Лапласа. Найдем вероятность попадания случайной величины, распределенной по нормальному закону, в заданный интервал.
(3.3)
обозначим ; (3.4)
тогда (3.5)
Т.к. интеграл не выражается через элементарные функции, то вводится в рассмотрение функция
(3.6)
которая называется функцией Лапласа или интегралом вероятностей.
Значения этой функции при различных значениях х посчитаны и приводятся в специальных таблицах.
Ниже показан график функции Лапласа.
Рисунок 3.1 - график функции Лапласа
Функция Лапласа обладает следующими свойствами:
) Ф(0) = 0;
) Ф(-х) = - Ф(х);
) Ф() = 1.
Функцию Лапласа также называют функцией ошибок и обозначают erf x.
Еще используется нормированная функция Лапласа, которая связана с функцией Лапласа соотношением:
(3.7)
Ниже показан график нормированной функции Лапласа:
Рисунок 3.2 - график нормированной функции Лапласа
В библиотеке компьютерного зрения OpenCV этот оператор представлен функцией
void cvLaplace( const CvArr* src, CvArr* dst, int aperture_size=3 ),
где src - исходное изображение; dst - получаемое изображение; aperture_size - размер апертуры изображения (аналогично функции cvSobel).
Отличие функции Лапласа от функции Собеля заключается в том, что в функции Лапласа находится вторая производная, а в функции Собеля первая.
Алгоритм Кэнни. Углы характеризуют контуры объектов на изображении и потому являются очень важной проблемой в обработке изображений.
Углы на изображении - это области с резкими скачками интенсивности цвета при переходе от одного пикселя к другому. Выделение углов на изображении используется для значительного сокращения объёма данных при обработке, сохраняя при этом основные структурные свойства исходного изображения.
Алгоритм Кэнни выделения углов на изображении известен многим как оптимальный детектор угловых точек. Целью Кэнни было улучшить детекторы, созданные до него на момент разработки. И он успешно добился своей цели, изложив свои идеи и методы.
Этот алгоритм актуален и на сегодняшний день и лежит в основе многих современных алгоритмов выделения углов.
В своей работе Кэнни следовал некоторому списку критериев с тем, чтобы улучшить современные методы выделения углов.
Первым и наиболее очевидным критерием был низкий уровень погрешнос