Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- 2018:raspberry-video [2019/01/13 16:35]
Tomáš Bravenec [Filtr Sobel]
+++ 2018:raspberry-video [2019/01/14 13:45] (aktuální)
Tomáš Bravenec
@@ Řádek 155: / Řádek 155: @@
 ==== Filtr Sobel ====
-Detekce hran pomocí filtru sobel je tvořena výpočtem dvou gradientů pomocí 2D konvoluce iltrů s obrazem v odstínech šedi, každý z nich vyjadřuje sílu hrany v horizontálním nebo vertikálním směru. Pro získání jednoho obrazu z těchto gradientů, se využívá odmocniny ze součtu druhých mocnin obou gradientů, a to pro každý pixel. Jelikož je ale odmocnina výpočetně náročná, lze tento výpočet nahradit přibližnou aproximací pomocí součtu absolutních hodnot gradientů. Takto zkombinované horizontální a vertikální hrany poté stačí jen prohnat prahováním pro dosžení výsledku.
+Detekce hran pomocí filtru sobel je tvořena výpočtem dvou gradientů pomocí 2D konvoluce filtrů s obrazem v odstínech šedi, každý z nich vyjadřuje sílu hrany v horizontálním nebo vertikálním směru. Pro získání jednoho obrazu z těchto gradientů, se využívá odmocniny ze součtu druhých mocnin obou gradientů, a to pro každý pixel. Jelikož je ale odmocnina výpočetně náročná, lze tento výpočet nahradit přibližnou aproximací pomocí součtu absolutních hodnot gradientů. Takto zkombinované horizontální a vertikální hrany poté stačí jen prohnat prahováním pro dosžení výsledku.
 ==== Detektor hran - Canny ====
@@ Řádek 162: / Řádek 163: @@
 ==== Srovnání fitru Sobel a Cannyho detektoru ====
 Při porovnání obou přístupů, si lze všimnout, silnějších čar, které nebyly utlumeny ani při použití vysokého prahu, na rozdíl od toho, při použití Cannyho detektoru a velmi nízkého prahu jsou v obraze lépe viditelné hrany, a výstup vypadá celkově lépe, ale za cenu náročnějšího zpracování.
-^ Vstupní obraz ^ Filtr Sobel, Práh = 1.0 ^ Cannyho detektor, Práh = 0.15 ^
+^ Vstupní obraz ^ Filtr Sobel, Práh = 1.0 ^ Cannyho detektor, Práh = 0.1 ^
 |{{ :2018:raspberry-video:sparrow.jpg?250 |}}|{{ :2018:raspberry-video:sparrow_edge_sobel_1.png?250 |}}|{{ :2018:raspberry-video:sparrow_edge_canny.png?250 |}}|
 |{{ :2018:raspberry-video:lenna.jpg?250 |}}|{{ :2018:raspberry-video:lena_sobel.png?250 |}}|{{ :2018:raspberry-video:lena_canny.png?250 |}}|
@@ Řádek 170: / Řádek 172: @@
 Pro snadné pochopení jak K-Means funguje v případě obrazů, si lze představit trojrozměrné pole se všemi stranami o délce 256 prvků (každá z os představuje jednu z barevných složek RGB). Pro začátek se náhodně zvolí K bodů (clusterů) z tohoto pole, načež se pro každý pixel vstupního obrazu vypočítá euklidovská vzdálenost ke každému z těchto bodů. Následně se zprůměrují hodnoty barevných složek které jsou nejblíže k jednomu z bodů a tento průměr se nastaví jako nový bod do další iterace. Toto se provede pro všech K bodů, a poté stále dokola v dalších iteracích dokud se body budou v daném trojrozměrném poli posouvat (barva všech bodů nebude stejná, jako v předchozí iteraci).
+Kód provádějící jednu iteraci je níže. Z kódu je opět vidět nastavení OpenMP, následované opět **for** cykly procházející každý řádek a sloupec, tentokrát ovšem obraz není v odstínech šedi, je proto nutné krokovat vždy po třech bytech (RGB), dále je potřeba při indexaci místo počtu sloupců využít **step**, cž je počet Bytů v jednom řádku, který je často o jeden až 3 Byty větší než počet sloupců * 3, jedná se o zarovnání řádků na násobek 32 bitů. Euklidovská vzdálenost je počítána bez odmocniny, která nemá vliv na srovnání vzdálenosti, a sníží se tak výpočetní náročnost. Vzdálenost pixelu k prvnímu bodu je vždy nejkratší, proto není potřeba žádná další kontrola. Pro následující body je již nutné vzdálenost zkontrolovat a pokud bude pixel blíž jinému než prvnímu bodu, změní se jeho přidělení. Pro přepočet bodů se poté přičtou jednotlivé barevné složky do bodu a zvedne se počítadlo pixelů které k tomuto bodu patří. Posledním krokem je nastavení pixelů výstupního obrazu na barvy bodů pro případ, že by již nedošlo k další iteraci.
+<code cpp>
+void KMeans::iterate()
+{
+    omp_set_dynamic(0);
+    omp_set_num_threads(threadCount);
+    unsigned char *imageData = image.data;
+    unsigned char *clusteredData = clustered.data;
+#pragma omp parallel for
+    for (int i = 0; i < image.rows; i++)
+    {
+        for (int j = 0; j < image.cols * 3; j += 3)
+        {
+            int shortestDist = 0, shortestCluster = 0;
+            for (int k = 0; k < clusterCount; k++)
+            {
+                if (k == 0)
+                {
+                    shortestDist = (pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                                    pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                                    pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2));
+                    shortestCluster = k;
+                }
+                if ((pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                     pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                     pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2)) < shortestDist)
+                {
+                    shortestDist = (pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                                    pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                                    pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2));
+                    shortestCluster = k;
+                }
+            }
+            newCluster[shortestCluster].addRedValue(imageData[i * image.step + j + 0]);
+            newCluster[shortestCluster].addGreenValue(imageData[i * image.step + j + 1]);
+            newCluster[shortestCluster].addBlueValue(imageData[i * image.step + j + 2]);
+            newCluster[shortestCluster].increaseCount();
+            clusteredData[i * image.step + j + 0] = newCluster[shortestCluster].centroidRed;
+            clusteredData[i * image.step + j + 1] = newCluster[shortestCluster].centroidGreen;
+            clusteredData[i * image.step + j + 2] = newCluster[shortestCluster].centroidBlue;
+        }
+    }
+}
+</code>
 Výstupem metody K-Means Clustering může být například:
@@ Řádek 190: / Řádek 242: @@
 https://gitlab.com/tbravenec/image_processing_on_rpi
+Nebo poslední verze git repozitáře před odevzdáním:
+{{ :2018:raspberry-video:image_processing_on_rpi-master.zip |}}
 ====== Závěr ======

Individální projekty MPOA

Uživatelské nástroje

Nástroje pro tento web

Rozdíly

Nástroje pro stránku