Comment identifier les différents objets dans une image?

J'ai l'intention d'écrire un programme pour détecter et différencier certains objets de près d'un solide arrière-plan. Le premier plan et l'arrière-plan ont un contraste élevé de la différence dont je ne ferait qu'accroître l'aide à l'objet du processus d'identification. Je suis à la planification de l'utilisation de Hough transformer technique et OpenCV.

Exemple d'image

Comme on le voit dans l'image ci-dessus, je voudrais identifier séparément les objets circulaires et la place des objets (ou de toute autre forme à partir d'un ensemble fini de formes). Depuis que je suis assez nouveau dans le traitement de l'image, je n'ai pas une idée si une telle situation a besoin d'un réseau de neurones à mettre en œuvre et de chaque forme pour être appris à l'avance. Serait une technique comme modèle d'appariement de me laisser faire cela sans un réseau de neurones?

OriginalL'auteur Tru | 2012-03-11

  1. 10

    Ces postes vous permettra de commencer:

    Vous devrez probablement ajuster certains paramètres de ces codes correspondent à vos cercles/carrés, mais le cœur de la technique est illustré sur ces exemples.

    OriginalL'auteur

  2. 9

    Si vous avez l'intention de détecter des formes autres que des cercles, (et à partir de l'image je suppose que vous faites), je vous recommande le Chanfrein correspondant pour un démarrage rapide, surtout que vous avez un bon contraste.

    Le principe de base, a expliqué en termes simples, est la suivante:

    1. Vous faire une détection de bord (par exemple, cvCanny dans opencv)
    2. Vous créez une distance de l'image, où la valeur de chaque pixel la distance fom le plus proche de bord.
    3. Vous prendre les formes que vous souhaitez détecter, de définir des points d'échantillonnage le long des bords de la forme, et essayer de faire correspondre ces points sur la distance de l'image. Fondamentalement, il suffit d'ajouter les valeurs de la distance de l'image qui sont "sous" les coordonnées de vos points d'échantillonnage, étant donné une position spécifique de vos objets.
    4. Trouver un bon algorithme de minimisation, l'efficacité de cette mesure dépend de votre application.

    Cette approche de base est une solution générale, fonctionne généralement bien, mais sans plus de progrès, il est très lent.

    Habituellement, c'est une bonne idée de séparer les objets d'intérêt, de sorte que vous n'avez pas à toujours faire le plein de recherche sur l'ensemble de l'image. Trouver un bon threshold, de sorte que vous pouvez séparer des objets. Vous ne savez toujours pas quel est l'objet qui il est, mais vous n'avez qu'à faire le correspondant lui-même à proximité de cet objet.

    Une autre bonne idée est, au lieu de faire le plein de recherche sur l'image en haute résolution, d'abord le faire sur une très faible résolution. Le résultat ne sera pas très précis, mais vous pouvez savoir les zones où il vaut la peine de faire une recherche sur une résolution plus élevée, de sorte que vous ne perdez pas votre temps sur des zones où il n'y a rien d'intéressant.

    Il y a un certain nombre de techniques plus avancées, mais il vaut la peine de prendre un coup d'oeil à la base de chanfrein de correspondance, car il est la base d'un grand nombre de techniques.

    OriginalL'auteur