search query: @keyword segmentation / total: 34
reference: 20 / 34
Author: | Toivonen, Riitta |
Title: | Anisotropic diffusion in image processing |
Anisotrooppinen diffuusio kuvankäsittelyssä | |
Publication type: | Master's thesis |
Publication year: | 2005 |
Pages: | 54 Language: eng |
Department/School: | Teknillisen fysiikan ja matematiikan osasto |
Main subject: | Matematiikka (Mat-1) |
Supervisor: | Somersalo, Erkki |
Instructor: | Somersalo, Erkki |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark TF80 | Archive |
Keywords: | anisotropic diffusion diffusion image processing coherence-enhancing edge-enhancing segmentation structure tensor diffusion tensor anisotrooppinen diffuusio diffuusio kuvankäsittely koherenssia tehostava diffuusio reunoja tehostava diffuusio segmentointi rakennetensori diffuusiotensori |
Abstract (fin): | Työssä käsitellään anisotrooppista diffuusiota kuvankäsittelymenetelmänä teoreettisesti ja numeerisesti. Diffuusio on fysikaalinen ilmiö, joka tasoittaa konsentraatioeroja ilman, että samalla syntyy tai häviää massaa. Jos samastamme harmaasävykuvan intensiteetin konsentraation kanssa, voimme diffuusion avulla tasoittaa intensiteettieroja kuvassa. Asettamalla rajoitteita diffuusion suunnalle ja voimakkuudelle voimme tehostaa kuvassa haluamiamme piirteitä ja toisaalta poistaa samalla kuvasta kohinaa. Suunnistettua diffuusiota kutsutaan anisotrooppiseksi diffuusioksi. Tarkastelemme kahta hieman erilaista versiota anisotrooppisesta diffuusiosta. Toinen näistä säilyttää ääriviivat ja tasoittaa niiden sisälle jäävän alueen, joten sitä voidaan käyttää kuvien segmentointiin eli alueiden erotteluun. Kutsumme sitä reunoja tehostavaksi diffuusioksi (edge-enhancing diffusion). Toinen esitelty menetelmä yhdistää katkonaisia linjoja kuvassa. Sitä kutsutaan koherenssia tehostavaksi diffuusioksi (coherence-enhancing diffusion). Luku 2 käsittelee diffuusiomenetelmien fysikaalista perustaa ja niiden luokittelua, sekä esittelee skaala-avaruuden käsitteen, jolla on merkitystä kuva-analyysissa. Luvussa 3 määrittelemme muodon diffuusiotensorille, joka diffuusioyhtälössä määrää, mihin suuntiin ja kuinka voimakkaasti diffuusio etenee kussakin kuvan pisteessä. Diffuusiotensorin muodostamista varten esittelemme kuvien tekstuurianalyysissa paljon käytetyn työkalun, rakennetensorin, joka sisältää tietoa kuvan intensiteettivaihteluista kussakin pisteessä. Luvuissa 4 ja 5 diffuusioyhtälö diskretoidaan ajan ja paikan suhteen. Luku 6 kuvailee laskennallisia yksityiskohtia, mm. konvoluutiomaskien muodostamista. Luvussa 7 havainnollistetaan, miten kuvatut diffuusiomenetelmät käytännössä toimivat, tarkastellaan parametrien valinnan vaikutusta ja näytetään joitakin sovelluksia. Luku 8 sisältää yhteenvedon edellä käsitellyistä aiheista. Anisotrooppinen diffuusio näyttää soveltuvan hyvin tiettyihin tehtäviin, esimerkiksi sormenjäljen syiden korostamiseen epäselvässä kuvassa. Menetelmät ovat kuitenkin laskennallisesti raskaita ja lisäksi herkkiä parametrien valinnalle. Laskentatehon jatkuvan halpenemisen vuoksi niillä saattaa silti olla tulevaisuutta myös nopeutta vaativissa käytännön sovelluksissa, etenkin yhdistettynä bayesilaisiin menetelmiin, joista olisi apua parametrien valinnassa. |
ED: | 2005-05-04 |
INSSI record number: 28752
+ add basket
INSSI