Štatistická analýza tvaru a obrazu
Interdisciplinárny prístup postavený na matematických a štatistických základoch
Stanislav Katina
1 Ústav matematiky a statistiky
Přírodovědecká fakulta Masarykova Univerzita v Brne
Prednášky z analýzy tvaru [blok 1 a 2], ZS 2011
evropský
sociální
fond V ČR   EVROPSKÁ UNIE
„«RS«.
m
EŽE A TĚLOVÝCHOVY      pro konkurenceschopnost '^ÍNA"**
investice  do  rozvoje vzdělávání
Stanislav Katina
Shape Analysis Vision -= My Partial Research Tree
Multivariate Spline Modelling
Traditional and Geometric Morphometries
Interpolation models v. Evolutionary anthropology: skull & other bones
Penalized regression models \. Clinical anthropology:
Spatio-temporal modelling of EEG & VCG \ UCLP/ schizophrenia & VCFS
\   Allometry and eco-morfology of fishes
! Multivariate Statistical Analyses «--
Generalization of PCA, PLS & DA Multivariate permutation & bootstrap testing
Image Analysis j=
2D/3D image processing 2D/3D computer graphics
Multivariate Fourier Analysis of Spatial Curves t Electroencephalography
Stanislav Katina
Shape Analysis—Interdisciplinary View
Biology & Medicine
Engineering & Physics
Differential Geometr
Statistical Shape Analysis
Jidean Geometry
Stanislav Katina
Analýza obrazu
Digitálny obraz
Definition (Digitálny obraz - definícia)
Digitálny obraz / je dvoj-dimenzionálna funkcia prirodzených čísel vrátane nuly No x No do možných hodnôt intenzity z množiny P, teda
/
kde u, v e No a l(u, v) e
Velkost obrazu je charakterizovaná jeho šírkou M (počet stĺpcov) a výškou N (počet riadkov) obrazovej matice I, kde umax = M - 1, vmax = N - 1 a rozmery obrazu sú M x N pixelov (obrazových elementov). Čísla M, N sú zvyčajne rovné 2\ kde k sa nazýva bitová hĺbka. Obrazový súradnicový systém sa riadi nasledovnými zásadami
O y-ové súradnice idú zhora dole,
Q stred súradnicovaj sústavy je bod (u = 0, v = 0) ležiaci v Javom hornom rohu.
Potom transformácia z obrazovej do karteziánskej súradnicovej sústavy bude nasledovná l(u, v) —> l(N - 1 - v, u).
Stanislav Katina
Analýza obrazu
Digitálny obraz
Analýza obrazu
Digitálny obraz
Definition (Typy digitálneho obrazu)
Obraz v odtieňoch sivej - obraz pozostávajúci z jedného komponentu reprezentovaného intenzitou (nazývanou aj jas alebo hustota), ktorej hodnoty patria množine {0,1,... 2k - 1}, zvyčajne 2fc — 1 = 255; (k = 8) bitov (1 byte); 0 reprezentuje minimálny jas (čierna farba) a 255 the maximálny jas (biela farba).
Binárny obraz - obraz, ktorý je špeciálnym typom obrazu v odtieni sivej, kde intenzita môže nadobúdatdve hodnoty nula a jedna (na pixel) a kóduje farby čierna a biela.
RGB farebný obraz - obraz zložený z troch komponentov nazývaných aj primárne farby—červená, zelená a modrá (RGB); typicky zaberajúce k = 8 bitov pre každý farebný komponent.
J
Stanislav Katina
Analýza obrazu
Digitálny obraz
Definition (Transformácia RGB farieb do sivej škály)
Výsledkom transformácie RGB farieb do sivej škály je iluminácia (jas) v sivej škále definovaná ako
Yg = Avg(R, G, ß)
R+G + B
Keďže červená a zelená sú vnímané ako ovela jasnejšie ako modrá, výsledný obraz sa nám bude zdal tmavý v červených a zelených oblastiach a prííiž svetlý v modrých. Preto je potrebné zaviest váženú ilumináciu (jas) v sivej škále
Yg = Lum(R, G, 6) = wRR + wGG + wBB,
kde wR = 0.2125, wG = 0.7154, and wB = 0.0720 sú odporúčané váhy. Bezfarebný (sivý) obraz definujeme ako obraz, kde každý RGB komponent má rovnakú hodnotu, t.j.
kde Yg = Lum(R, G, B).
Stanislav Katina
Definition (RGB farebný obraz)
RGB je aditívny systém farieb, čo znamená, že všetky farby sú vytvárané pridávaním primárnych farieb k základnej čiernej farbe. RGB môžeme vizualizovat ako troj-dimenzionálnu jednotkovú kocku (RGB kocka), kde osi tohoto systému nazývame osi primárnych farbieb. Rozsah RGB hodnôt je [0, Cmax]. Každá možná farba korešponduje bodu C,- v RGB kocke
C, = (R„ G,, Bi), kde 0 < Rh G„ B, < Cmax.
Rovinné usporiadanie farieb v skutočnom farebnom RGB obraze -
jednotlivé farebné komponenty ležia v separátnych maticiach rovnakých rozmerov a funkcia intenzity má tvar / = (/R, lG, lB). Potom RGB farebný
obraz I je pole M x N x 3 typu I = (lR:lG:ls), kde lR, lG, a ls sú M x N matice. Element (u, v, c) pola je definovaný ako lc(u, v), kde c = R, G a B komponent. RGB metrika (vzdialenost) nezodpovedá nášmu zrakovému vnímaniu, t.j. RGB metrika a zrakové vnímanie sú neproporcionálne.
Stanislav Katina
Analýza obrazu
Digitálny obraz
Definition (Obrazový histogram)
Obrazový histogram je histogram popisujúci početnosti hodnôt intenzity (jasu) obrazu. Histogram h obrazu v odtieňoch sivej / s hodnotami intenzity l(u, v) e [0, K - 1] obsahuje K hodnôt, kde pre typický 8 bitový obraz K = 28 = 256. Jednotlivé zložky histogramu sú definované ako
h(/)
1],
počet pixelov v / s intenzitou ;', pre všetky ; e [0, K h(/) = card {(u, v)\l(u, v) = i, e P}.
Interpretácia:
O expozícia - pod- a preexponovaný obraz, dobre exponovaný obraz,
Q kontrast - rozsah hodnôt intenzity použitý v danom obraze; plnokontrastový obraz—efektívne používa celkový možný rozsah hodnôt intenzity a e [amin, amax] alebo {0,1,... K - 1} (čierna-biela)
Q dynamický rozsah - počet rozdielnych hodnôt intenzity v obraze
(ideálne všetkých K hodnôt); pokiaí máme a e [amin < aiow, ahigt1 < amax] maximálne možný dynamicky rozsah je možné dosiahnut použitím všetkých možných hodnôt intenzity
Stanislav Katina
Analýza obrazu
Digitálny obraz
Analýza obrazu
Bodové operácie
Definition (Chyby alebo artefakty obrazu)
chyby saturácie - ideálne by mal byt rozsah kontrastu senzora väčší ako rozsah intenzity svetla snímanej scény, potom by bol histogram hladký na oboch koncoch; realita - často lesklé alebo tmavé plochy; histogram je saturovaný na koncoch; signifikantně hroty na koncoch pri pod- a preexponovaných obrazoch
chyby transformácie - ideálne je rozdelenie intenzity hladké globálne ako aj lokálne; realita - zriedka v originálnom obraze, ale často v transformovanom obraze; zvyšovanie kontrastu vedie ku separácii hodnôt intenzity (diskretizácii; tvorbe dier); znižovanie kontrastu vedie ku zlučovaniu hodnôt intenzity, ktoré boli predtým rozdielne (diskretizácia; tvorba hrotov)
chyby kompresie - napr. počas kompresie do GIF je dynamický rozsah redukovaný na niekoíko hodnôt intenzity (kvantovanie farieb), tzv. liniová štruktúra histogramu
chyby individuálnych komponent-v iluminačnom histograme (hist. intenzity sivej farby) neviditelné chyby, ktoré sa objavia v histogramoch jednotlivých komponent (presaturovanie modrého komponentu)
Stanislav Katina
Analýza obrazu
Bodové operácie
Definition (Lineárne bodové operácie)
Lineárnu bodovú operáciu definujeme ako
/lio(a) = k • a + /,
kde k je nejaká škálovacia konštanta intenzity and / je aditívna vyrovnávacia konštanta intenzity obrazu.
Saturačné (urezávacie, winsorizačné) podmienky definujeme nasledovne I O ak/li0(a) < 0, potom/li0(a) = 0 (if  (a < 0) a <- o ) Q ak /jio(a) > K - 1 potom /ii0(a) = K - 1 (if  (a > K-l) a <- K-l ) j
Stanislav Katina
Definition (Bodové operácie)
Homogénna bodová operácia (globálna) - modifikácia intenzity bez zmeny velkosti, geometrie alebo lokálnych štruktúr obrazu. Hodnoty intenzity a sú transformované na nové hodnoty a' použitím funkcie f(a),
a' i- f {ä) alebo ľ(u, v) -e- f(l(u, v)), pre V (u, v),
kde /■(•) je nezávislá na súradniciach (u, v), t.j. je všade rovnaká, napr.
O globálna transformácia intenzity (jasu), kontrastu alebo farby
Q globálne kvantovanie obrazu a thresholding
Avšak funkcia g() ako nehomogénna bodová operácia (lokálna) berie do úvahy aj súradnice (u, v), ale netransformuje ich na iné; t.j.
a' <- g(a, u, v) alebo ľ (u, v) <- g(l(u, v), u, v).
Napr.
O lokálna transformácia intenzity (jasu), kontrastu alebo farby Q lokálne kvantovanie obrazu a thresholding
Stanislav Katina
Analýza obrazu
Bodové operácie
Definition (Aditívne vyrovnávanie obrazu)
1
Aditívne vyrovnávanie obrazu: nech k = 1, / e Z, |/< K
/li0(a) = a + l,
kde
© / e Z, pretože chceme, aby intenzita bola kvantovaná z {0,1,... K - 1} ô |/| < K - 1, pretože inak by bola intenzita mimo povoleného rozsahu Q ak / > 0, potom transformovaný obraz bude svetlejší ako pôvodný Q ak / < 0, potom transformovaný obraz bude tmavší ako pôvodný Q I predstavuje posun histogramu doíava alebo doprava
Stanislav Katina
Analýza obrazu
Bodové operácie
Analýza obrazu
Bodové operácie
Definition (Škálovanie obrazu)
Škálovanie obrazu: nech /
kde
0 a k > 0, potom /lio(a) = k ■ a,
© /c > 0, pretože f\\0(a) musí byt kladné
Q nie je nutné, aby k e Z, pretože by sme mali len velmi málo použitelných možností
Q praktické zaokrúhlovanie (v prípade potreby) f\\0(a) = [k ■ a + 0.5J
O ak /c > 1, potom intenzita f\\0(a) pokryje širší interval hodnôt ako a
Q ak k < 1, potom intenzita /|i0(a) pokryje užší interval hodnôt ako a
Q škálovanie natahuje alebo stláča histogram v smere osi x
Stanislav Katina
Analýza obrazu
Bodové operácie
Definition (Thresholding)
Thresholding je špeciálnym typom kvantovania obrazu, ktoré separuje intenzitu do dvoch tried v závislosti na prahovej konštante ath. Prahová funkcia /ihreshoid(a) kategorizuje pixely do dvoch skupín, ktorým zodpovedajú hodnoty intenzity a0 a ai, nasledovne
a0 ai
pre a < att1 pre a > att1
, kde 0 < att1 < a„
Typickými aplikáciami sú
Q binarizácia intenzity obrazu s hodnotami a0 = 0 a ai = 1, ktorá v r bude vyzerat nasledovne
a[which(a < a.th)]   <- 0;a[which(a >= a.th)]   <- 1.
Q thresholding je najefektívnejší pri bimodálnom histograme -
charakterizuje objekt a pozadie majúce rôznu priemernú intenzitu -tmavý objekt a svetlé pozadie alebo svetlý objekt a tmavé pozadie
Q ciel - separovat objekt od pozadia alebo nájst obrys objektu
Stanislav Katina
Definition (Negatív obrazu)
Negatív obrazu: nech k = -~\ a I = K - ~\, potom
fíl0(a) =-a + (K - 1),
kde
O škálovanie použitím k = -1 spôsobí reverziu (flip) histogramu v smere osi x
Q additívna konštanta / = K - 1 spôsobuje, že všetky transformované hodnoty sú kladné a patria do povoleného rozsahu
Definition (Autokontrast)
Autokontrast:
/lio(a) = k ■ (a - c) + /, kde / = amin, c = aíow, k
ahigh aiow
, aiow 7^ ahigh,
a intenzita je modifikovaná tak, aby jej hodnoty pokryli celý možný rozsah povolených hodnôt.
Stanislav Katina
Example 10
Digitálny obraz
Example (r logo)
Majme r logo Cíl (rozmery 77 x 101 pixelov)—uložené ako PPM (Portable Pixel Map, portable pixmaps). Aj napriek tomu, že ide o neefektívny formát rastrovaného obrazu, je velmi jednoduchý z híadiska spracovania obrazu, a preto sa často používa.
9 Načítajte a zobrazte toto logo m v r.
Q Inveretujte R (červený) komponent obrazu m.
Q Inveretujte G (zelený) komponent obrazu m.
Q Inveretujte B (modrý) komponent obrazu m.
Q Zvýraznite R komponent obrazu m.
Q Odstráňte zelený komponent obrazu m.
Q Transformujte m do sivej škály.
Q Zvýraznite kontrast m v sivej škále pomocou funkcie f (a) = ak ,k = 2.
Stanislav Katina
Example 10
Digitálny obraz
Example 11
Digitálny obraz
Riešenia:
Q knižnica library (pixmap) , príkaz
M <- read.pnm(system.file("pictures/logo.ppm"
package="pixmap") [1] ) Q Ml Q Ml Q Ml Q Ml Q Ml 9 Ml Q M2
M; Ml@red <- 1-M@red; plot(Ml) M; Ml@green <-  1-M@green; plot(Ml) M;  Ml@blue <-  1-M@blue;  plot(Ml) M;  Ml@red <-  0.5 + M@red/2;  plot(Ml) M; Ml@green <- matrix(0,77,101); plot(Ml) as(M,"pixmapGrey");  M2 <- Ml; plot(M2) Ml;  M2@grey <-   (M2@grey)~2; plot(M2)
Obrázok: Bodové operácie s obrazom R loga
Stanislav Katina
Example 11
Digitálny obraz
Grey scale image
Binary image, threshold = 0.3
Binary image, threshold = 0.1 Binary image, threshold = 0.9
Obrázok: Lastúra Mytilus sp. v sivej škále (víavo hore) a binarizovaná pri rôznych hodnotách konštanty atn = 0.1,0.3,0.9
Stanislav Katina
Example (Binarizácia lastúry)
Majme lastúru (Mitilus sp.) uloženú ako PPM. Q Načítajte obraz lastúry M v R.
Q Transformujte M do sivej škály a zobrazte použitím funkcie plot (). O Binarizujte obraz M pri thresholde 0.1 a vypočítajte počet pixelov lastúry. O Binarizujte obraz M pri thresholde 0.3 a vypočítajte počet pixelov lastúry. Q Binarizujte obraz M pri thresholde 0.9 a vypočítajte počet pixelov lastúry.
■
Riešenia:
^ library(pixmap); M <- read.pnm("mytilus.ppm")
Q M <- as(M,"pixmapGrey"); Ml <- M@grey plot(M,main="Grey scale image")
Q Ml <- M@grey;  M@grey[which(Ml >= 0.1)] M@grey[which(Ml < a.th)]   <- 0 plot(M,main="Binary image,  threshold = 0.1") length(M@grey[which(Ml < a.th)])
1; a.th <-
. 1
Stanislav Katina
Example 12
Digitálny obraz
Example (Binarizácia lastúry, pokrač.'
Majme lastúru (Mitilus sp.) uloženú ako JPEG. O Transformujte obraz z formátu JPEG do formátu PPM. Q Načítajte obraz lastúry M v R.
O Transformujte M do sivej škály a zobrazte použitím funkcie image (). Pozn.: Treba si uvědomit, že Pixel Aspect Ratio (PAR), kde PAR je rovné pomeru šírky a výšky pixela, nemusí byí rovné jednej, ale napr. 2/3, 3/4 alebo 9/16, čo sa dálahko ošetřit pomocou argumentu asp=PAR vo funkcii image (). Funkcia plot () priamo načítava PAR zo súboru PPM, a preto táto korekcia nebola potrebná. PAR je pre lastúru rovný 9/16. Na zobrazenie M použite všetky možné odtiene sivej (8-bitová škála sivej).
O Na zobrazenie M použite len tri odtiene sivej (2-bitová škála sivej).
Q Na zobrazenie M použite len dva odtiene sivej (1-bitová škála sivej, monochromatický obraz).
O Zobrazte M použitím funkcie contour () bez korekcie PAR.
Stanislav Katina
Example 12
Digitálny obraz
Example 12
Digitálny obraz
Riešenia:
^ library(pixmap);  library(rimage)
shell("convert mytilus.jpg mytilus.ppm")
^ M <- read.pnm("mytilus.ppm")
Q M <- as(M,"pixmapGrey")
image(t(M@grey[dim(M@grey)[1]:1,]),col=grey(0:2 55/2 55), asp=9/16,axes=FALSE,  main="Gray-scale: 8-bits")
Q image(t(M@grey[dim(M@grey)[1]:1,]),col=grey(0:3/3),
asp=9/16,axes=FALSE,  main="Gray-scale: 2-bits")
Q image(t(M@grey[dim(M@grey)[1]:1,]),col=grey(0:1/1),
asp=9/16,axes=FALSE,  main="Monochrome: 1-bits")
Q contour(t(M@grey[dim(M@grey)[1]:1,]),axes=FALSE) title(main="Contour plot")
Stanislav Katina
Example 13
Digitálny obraz
Example (Hmyzie krídlo, histogram intenzity a extrakcia súradníc landmarkov)
Majme hmyzie krídlo uložené ako JPEG. Q Načítajte obraz krídla M v R.
Q Transformujte obraz z formátu JPEG do formátu PPM.
Q Transformujte M do sivej škály, zobrazte histogram intenzity M a zobrazte M použitím funkcie plot ().
O Zvýraznite kontrast M v sivej škále pomocou funkcie f(a) = ak,k = 3, zobrazte histogram intenzity M a zobrazte použitím funkcie plot ().
Q Použitím funkcie locator () lokalizujte 5 landmarkov (viď. obrázok), označte ich ako + a extrahujte ich súradnice. Do obrázku dopíšte čísla landmarkov 1-5.
O Lokalizujte hranice časti krídla (viď. obrázok) ako landmarky 6-10 použitím funkcie locator () a vykreslite polygón vnútri konvexného obalu týchto landmarkov pomocou funkcie polygon ().
Q Čo sme pri extrakcii landmarkov zanedbali?
Stanislav Katina
Gray-scale: 8-bits
Monochrome: 1-bits
Gray-scale: 2-bits
Obrázok: Lastúra Mytilus sp. v 8-bitovej sivej škále (víavo hore), v 2-bitovej sivej škále (vlavo dole), v 1-bitovej sivej škále (vpravo hore) a konturový obraz použitím nesprávneho PAR
Stanislav Katina
Example 13
Digitálny obraz
Riešenia:
^) library(pixmap);  library(rimage) M <- read.j peg("wing.jpg")
^ shell("convert wing.jpg wing.ppm") M <- read.pnm("wing.ppm")
Q Ml <- M;  Ml <- as(Ml,"pixmapGrey") hist(Ml@grey)
plot(Ml,main="Grey scale image")
Q Ml@grey <-   (Ml@grey)"3 hist(M@grey)
plot(M,main="Grey scale image brightness modified")
Q plot(M)
lok <- locator(5,type="p",pch=3) text(lok,pos=2,labels=l:5)
^) lok <- locator(5,type="l") polygon(lok,density=12)
Stanislav Katina
Example 13
Digitálny obraz
Example 14
Digitálny obraz
rtugram üf M@grey
brightness modified
Obrázok: Histogramy (prvý riadok víavo) a obrazy v sivej škále, modifikovanej sivej škále (druhý riadok vlavo) obrazu hmyzie krídlo a obraz hmyzie krídlo v sivej škále s lokalizovanými landmarkami (vpravo)
Stanislav Katina
Example 14
Digitálny obraz
Gray seals imaga Invsrtad gray seals imags
InlHni      1 imiml
1111 * I■■111.....
lllllllllllllllll
Obrázok: Obrázok sánky v RGB škále (prvý riadok vlavo), v sivej škále (prvý riadok v strede), negatív obrazu v sivej škále (prvý riadok vpravo) a negatív s lokalizovanými landmarkami (druhý riadok)
Stanislav Katina
Example (Sánka, negatív obrazu a extrakcia súradníc landmarkov)
Majme sánku uloženú ako JPEG. Q Načítajte obraz sánky m v r.
Q Transformujte m do sivej škály a zobrazte m použitím funkcie plot ().
Q Invertujte obraz m v sivej škále (vytvorte negatív obrazu) a zobrazte použitím funkcie plot ().
Q Použitím funkcie locator () odmerajte vzdialenost 1 cm.
Q Použitím funkcie locator () lokalizujte 10 landmarkov (viď. obrázok), označte ich ako o. Preškálujte extrahované súradnice na správnu mierku.
Riešenia: library(rimage) ^ M <- read.j peg("jawd.jpg") Q M <-  rgb2grey(M);  plot(M) © M <-   1-  M;  plot(M) Q lok <-
locator(2,type="o",pch=8,lwd=2,col="grey6 0", lty=" 11") scale.one <- sqrt(sum(diff(lok$x)~2+diff(lok$y)"2)) Q b <- locator(10,type="p")
conf.mat <- rbind(b$x,b$y)/scale.one
Stanislav Katina
Analýza obrazu
Uzavreté obrysy
Definition (Automatická extrakcia uzavretých obrysov a reíazové kódovanie)
Objekt v rovine je reprezentovaný jeho vnútrom a obrysom. Obrys môžeme automaticky extahovaí pomocou reťazového (sekvenčného, Freemanovho)
kódovania definovaného pomocou sekvencie smerových zmien na diskrétnom rastrovanom obraze.
O definujeme štartovací bod xs vnútri objektu 1Z v rovine
Q uzavretý obrys je definovaný pomocou sekvencie bodov Cti = [x0,xi,...xC-i], kde x,- = (uh v,)
Q jednotlivé elementy sekvencie c'n = [c0, c'u c- = Code(Au/, Avi), kde
Cc_-|] definujeme ako
í)
1
(AuhAVi)=\ iW-W+i-V v ;     [ (t/0 - U j, v0 - v,)
a Code(Au,-, Av,) definujeme pomocou 8-pixelového susedstva
pre 0 < ; < C pre ; = C - 1
Au	1	0	-1	-1	-1	0	0	3	2	1
Av	0	1	1	0	-1	-1	-1	4	pixel	0
Code(Auŕ, A v,-)	0	2	3	4	5	6	7	5	6	7
Stanislav Katina
Analýza obrazu
Uzavreté obrysy - algoritmus kontura
Analýza obrazu
Uzavreté obrysy - algoritmus kontura
Algoritmus:
1. /: binarizovaný obraz; l(u, v) = 0 (objekt), l(u, v) = 1 (pozadie)
2. lokalizuj súradnice štartovacieho pixela, xs = (xs,ys), vnútri objektu tak, aby bolo jeho 4-pixelové susedstvo v objekte; potom transformuj obrazové súradnice od karteziánskych, kde xs = (dim(l)(i) — ys,xs) (pozri slajd "Digitálny obraz -definícia")
3. fixuj a = 1 (štartovací bod pre pohyb z jedného pixela do druhého, kde index pixela korešponduje a, ktoré sa zvýši o jednotku, keď je nájdený ďalší pixel proti smeru hodinových ručičiek), S = 6 (štartovací bod; pixel č.6) a SS =na (retazec); x = 0; y = 0 (štartovacie body; x- a y-ové súradnice); nech matica A
má riadky Au a Av, potom D = (A(. 8j:A:A(. kde A(.,) je /'-ty stĺpec matice A
4. while (x(a),X(a)) / xs (pokiaísa dosiahne opat štartovací bod) or dĺžka vektora x je menšia ako 3 (vyhneme sa nekonečnej slučke) choď na (5) — (6)
5. if | (/(xs + D(1s+1),ys + D(2jS+i)) -/(xs,ys))| < threshold, potom a = a + 1
x(a) = xs; y (a) = y s
xs = xs + D(.jS+1)
SS(a) = S + 1; S = (S + 7) mod 8 (skontroluj pixel 5 a choď na pixel 5)
Stanislav Katina
Example 15
Uzavreté obrysy
Example (pokrač. príkladu 11 a 12)
Majme lastúru (Mitilus sp.) uloženú ako PPM. Použite binarizovaný obraz M pri thresholde 0.9 z príkladu 11. Extrahujte súradnice obrysu lastúry.
O Zobrazte binarizovaný obraz M (pri thresholde 0.9).
Q Pomocou funkcie locator () označte štartovací bod xs vnútri lastúry.
Q Na identifikáciu obrysu použite algoritmus kontura.
O Resamplujte súradnice bodov obrysu na k = 32, kde body budú
ekvidištantne vzdialené - s rovnakou uhlovou vzdialenosiou medzi nimi, kde je potrebné vybrat k = 32 ekvidištantných bodov z 629 identifikovaných bodov s použitím funkcie seq (l, 629, length=32).
Q Resamplujte súradnice bodov obrysu na k = 32, kde body budú ekvidištantne vzdialené - s rovnakou radiálnou vzdialenosiou medzi nimi, kde najprv vypočítate centroid lastúry (aritmetický priemer súradníc obrysu získaných v bode (4)), potom pomocou znalostí z analýzy komplexných čísel vyberiete tie z 629 súradníc identifikovaných algoritmom kontura, ktoré patria prieniku kontúry a ramien uhlov / = 0,1... /c, s vrcholom v bode (0,0).
2 X / X 7T
Stanislav Katina
Algoritmus (pokrač.):
6.  if else j (/(xs + D(1 s+2),ys + D(2is+2)) ~ l{xS,Ys)) | < threshold, potom a = a + 1
X(a) = xs; y (a) = y s
xs — XS
'(•,S+2)
SS(a) = S + 2; S = (S + 7) mod 8 (skontroluj pixel 6 a chod na pixel 6)
if else j (/(xs + D(1s+3),ys + D(2iS+3)) - /(xs,ys)) | < threshold, potom a = a + 1
X(a) = xs; y (a) = y s
xs — XS
'(•,S+3)
SS(a) = S + 3; S = (S + 7) mod 8 (skontroluj pixel 7 a chod na pixel 7)
8. else choď na obrys obrazu (smer - napr.diagonálne dole vpravo, S = (S + 1) mod 8; pokiaí nenájdeš pixel s intenzitou menšou ako threshold; t.j. prvý pixel pozadia)
9. return x = V(_i) ay = (dim(l)(1) — x)))^^ (vymaž prvý element, ktorý je rovný poslednému - štartovací bod; pozri slajd "Digitálny obraz - definícia")
Stanislav Katina
Example 15
Uzavreté obrysy
Riešenia:
plot(M,main="Binary image,  threshold = 0.9"; x.start <- locator(i;
x.start <- round(c(x.start$x,x.start$y))
myt.contour <- kontura(x.start,  M@grey,  start.threshold =
0.1,  threshold = 0.1)   lines(myt.contour$X,myt.contour$Y,lwd=3)
k.r=32;  k <-  length(myt.contour$x;
myt.contour.x <-   (myt.contour$X[seq(1,k,length=k.r)]) myt.contour.y <-   (mytilus.contour$Y[seq(1,k,length=k.r)]) plot(myt.contour.x,myt.contour.y,type="1",lwd=l.1,
asp=l,axes=FALSE,  main="Equidistantly spaced
coordinates") points(myt.contour.x,myt.contour.y,pch=16,cex=0.7)
plot(myt.contour.x,myt.contour.y,type="1",lwd=l.1,   asp=l,axes=FALSE,
main="Radially spaced coordinates") mean.x <- mean(mytillus.contour$x; mean.y <- mean(mytillus.contour$Y; points(mean.x,mean.y,pch=16)
r.coords <- radial.coords{mytillus.contour$X,mytillus.contour$Y, 32) points(mean.x + r.coords$coords [,1] ,mean.y +
r.coords$coords[,2],pch=16,cex=0.7) for  (i in 1: k. r) {
segments(mean.x,mean.y,
mean.x + r.coords$coords [,1] , mean.y + r.coords$coords[,2])
}
Stanislav Katina
Example 15
Uzavreté obrysy
Example 15
Uzavreté obrysy
Riešenia (pokrač.):
"radial.coords" <- function(Rx,  Ry,  kl) {
k <- length(Rx;
M <- matrix(c(Rx,   Ry),   k, 2)
Ml  <- matrix(c(Rx-mean(Rx),  Ry-mean(Ry)),  k, 2) VI <- complex(real = Ml[,l],  imaginary = Ml[,2]! M2  <- matrix(c(Arg(Vl),  Mod(VI)),  k, 2) V2  <- NA
for (i in 0:(kl-l)) V2[i+1] <- which.max((cos(M2[,1] - 2*i*pi/kl) V2  <- sort(V2)
RES <-  list("IDs"  = V2,"radii"  = M2[V2,2],"coords"  = Ml [V2,] ) return(RES)
}
Stanislav Katina
Example 16
Uzavreté obrysy
Example (pokrač. príkladu 13)
Majme hmyzie krídlo uložené ako JPEG. Extrahujte súradnice obrysu krídla. O Binarizujte obraz M (pri thresholde 0.95).
Q Pomocou funkcie locator () označte štartovací bod xs vnútri krídla.
O Na identifikáciu obrysu použite algoritmus kontura.
O Resamplujte súradnice bodov obrysu na k = 64, kde body budú
ekvidištantne vzdialené - s rovnakou uhlovou vzdialenosiou medzi nimi.
Q Resamplujte súradnice bodov obrysu na k = 64, kde body budú ekvidištantne vzdialené - s rovnakou radiálnou vzdialenosiou medzi nimi.
Stanislav Katina
Grey scale image
Binary image, threshold = 0.9
Equidistantly spaced coordinates     Radially spaced coordinates
Obrázok: Obrázok lastúry Mytilus sp. v sivej škále (prvý riadok víavo), binarizovaný s extrahovaným obrysom (prvý riadok vpravo), ekvidištantne body obrysu s identickou uhlovou vzialenosíou (druhý riadok vlavo) a s identickou radiálnou vzialenosíou (druhý riadok vpravo)
Stanislav Katina
Example 16
Uzavreté obrysy
Grey scale image, threshold = 0.95 Original image
Equidistantly spaced coordinates     Radially spaced coordinates
Obrázok: Obrázok hmyzieho krídla binarizovaný s extrahovaným obrysom (prvý riadok vlavo), v sivej škále s extrahovaným obrysom (prvý riadok vpravo), ekvidištantne body obrysu s identickou uhlovou vzialenosíou (druhý riadok víavo) a s identickou radiálnou vzialenosíou (druhý riadok vpravo)
Stanislav Katina
Example 17
Uzavreté obrysy
Example 17
Uzavreté obrysy
Example (pokrač. príkladu 14)
Majme sánku uloženú ako JPEG. Extrahujte súradnice obrysu sánky. Q Binarizujte obraz M (pri thresholde 0.7).
Q Pomocou funkcie locator () označte štartovací bod xs vnútri sánky.
Q Na identifikáciu obrysu použite algoritmus kontura.
O Resamplujte súradnice bodov obrysu na k = 100, kde body budú
ekvidištantne vzdialené - s rovnakou uhlovou vzdialenosiou medzi nimi.
Q Resamplujte súradnice bodov obrysu na k = 100, kde body budú ekvidištantne vzdialené - s rovnakou radiálnou vzdialenosiou medzi nimi.
O Je možné použil súradnice bodov ekvidištantne vzdialených (s identickou radiálnou vzialenostou)? Ak nie prečo?
Stanislav Katina
Example 18
Uzavreté obrysy - zložitejšia situácia na metakarpe íudskej ruky 1
Obrázok: Originálny obraz metakarpu íudskej ruky
Stanislav Katina
nage, threshold = 0.7 Original image
iiiiiiiiiiiiiini
Equidistantly spaced coordinates     Radially spaced coordinates
Obrázok: Histogram intenzity sivej (prvý riadok víavo), obrázok sánky binarizovaný s extrahovaným obrysom (prvý riadok v strede), v RGB škále s extrahovaným obrysom (prvý riadok vpravo), ekvidištantne body obrysu s identickou uhlovou vzialenostou (druhý riadok víavo) a s identickou radiálnou vzialenosíou (druhý riadok vpravo)
Stanislav Katina
Example 18
Uzavreté obrysy - zložitejšia situácia na metakarpe íudskej ruky 2
Grey scale image
Original Image     Grey scale image
Accentuated        Accentuated Inverted
Obrázok: Histogramy rôznych transformícií farebných komponentov obrazu a nim zodpovedajúce obrazy metakarpu íudskej ruky
Stanislav Katina
Example 18
Uzavreté obrysy - zložitejšia situácia na metakarpe íudskej ruky 3
Example 19
Uzavreté obrysy - zložitejšia situácia íudskej ruky 1
Original image
Obrázok: Extrahovaný obrys metakarpu ludskej ruky
Stanislav Katina
Example 19
Uzavreté obrysy - zložitejšia situácia ludskej ruky 2
Original image Grey scaled ir
Grey scaled image
Original binarized inverted Original binarized Equidistantly spaced
threshold = 0.8 threshold = 0.8 coordinates |n=200)
Obrázok: Extrakcia obrysu ludskej ruky
Stanislav Katina
Obrázok: Obraz ludskej ruky
Stanislav Katina
Example 20 A - otvorený problém
Uzavreté obrysy - (pravdepodobne) neriešiteíná situácia ludskej tváre a pier
original
red
Obrázok: Obrazy rôznych transformácií komponentov obrazu ľudskej tváre a pier, extrahované hrany (vpravo hore)
Stanislav Katina
Example 20 B - otvorený problém
Uzavreté obrysy - stačí len extrakcie obrysu?
Example 20 B - otvorený problém
Uzavreté obrysy a ich vnútro - potrebná extrakcie objektu ako celku
Original image
Original binarized threshold = 0.95
'U '■ luv
Original binarized threshold = 0.95
Equidistantly spaced coordinates (n=200)
Obrázok: Extrakcia obrysu hrúzovca sietovaného (Pseudorasbora parva)
Stanislav Katina
Analýza obrazu
Geometrické operácie
Definition (Geometrické operácie)
Geometrické operácie transformujú obraz / do nového obrazu /' transformáciou súradníc jednotlivých pixelov,
l(u,v)^ľ(u',v'),
kde hodnoty intenzity obrazu / pôvodne v bode (u, v) sú transformované do bodu (ď, v') v novom obraze /'. Transformačná funkcia má potom tvar
T : R2 R2
a je definovaná pre každý bod vzorového obrazu x = (u, v) a korešpondujúci bod transformovaného obrazu x' = (u', v'), kde x' = T(x). Príklady geometrických operácií:
Q afínne transformácie - otočenie, posunutie, škálovanie, skosenie a zrkadlenie
Q TPS modely - interpolačný thin-plate splajn (TPS) model [IM1, IM3] a penalizovaný TPS regresný model [PRM1, PRM3]
Stanislav Katina
Obrázok: Extrakcia sumčeka čierneho (Ameiurus melas) z pozadia
Stanislav Katina
Example 21
Geometrické operácie - warping ludskej ruky 1 (pozor nie morfing)
• 2
# Hl
16
Obrázok: Ľudská ruka a 16 landmarkov
Stanislav Katina
Example 21
Geometrické operácie - warping ludskej ruky 2 (pozor nie morfing)
Example 21
Geometrické operácie - warping ludskej ruky 3 (pozor nie morfing)
Obrázok: Dve íudské ruky - chceme transformovat íavú na pravú
Stanislav Katina
Example 22
Geometrické operácie - warping Fredovej tváre (pozor, nie morfing)
Obrázok: Prof. Fred Bookstein - originálna (víavo) a transformovaná fotografia (vpravo) [s láskavým dovolením zakladateía odboru Analýza tvaru]
Stanislav Katina
Obrázok: Ľudské ruky - vzorová ruka, odhadnutá ruka, affínna a neafínna komponenta transformácie (po stĺpcoch) [approx. 1.6mil premenných]
Stanislav Katina
Analýza tvaru
Analýza obrysov
Definition (Obrys)
Obrys je uzavretá krivka definovaná súradnicami k bodov (semilandmarkov) patriacich tomuto obrysu, kde body sú
Q ekvidištantne vzdialené s rovnakou radiálnou vzdialenosíou medzi nimi.
Q ekvidištantne vzdialené s rovnakou uhlovou vzdialenosíou medzi nimi.
Definition (Analýza obrysov)
Štatistická analýza obrysu závisí od toho, o aký typ obrysu ide.
Q Ak ide o obrys typu (1), používa sa radiálna Fourierova analýza.
Q Ak ide o obrys typu (2), používa sa tangenciálna Fourierova analýza alebo eliptická Fourierova analýza.
2D/3D Fourierova analýza je zovšeobecnením klasickej Fourierovej analýzy používanej v časových radoch na analýzu periodického signálu v dátach, kde sa aplikuje rozklad Fourierovho radu použitím diskrétnych Fourierových transformácií. Slúži ja na výraznú redukciu dimenzii.
Stanislav Katina
Analýza tvaru
Analýza obrysov
Definition (Klasická Fourierova analýza)
Fourierov rozklad periodickej funkcie f(t), kde íeťs periódou T\ = f v I nejakých časových jednotkách, bude mat tvar
p
f {t) = y + J2 (a, cos(A,/) + b, sin(A,/)), kde A, = j2tt
;'=1
je ;'-ta frekvencia funkcie f (t) v radiánoch A e (0, 2tt),
a, = -| /"2 ŕ(ŕ) cos(A,ŕ)dŕ; Ď, = ^ /"2 ŕ(ŕ) sin(A,/)d/
sú párne a nepárne Fourierove koeficienty a T je potrebné zvolit. Aplikácia f(t) predstavuje prepis do podoby nelineárneho regresného modelu tvaru
p
f (t) = a0i + a02ŕ + ^2 (a> cos(A,-ŕ) + b, sin(A,/)) + et, kde A,- = ij,
;'=1
kde je potrebné odhadnú! 3p + 3 parametrov a model linearizovaí.
Stanislav Katina
Analýza tvaru
RFA2
9
Metodologické poznámky:
všetky obrysy z náhodného výberu musia byt automaticky extrahované pomocou reiazového kódu rovnakým smerom
treba mat na zreteli, že smer výpočtu lúčov v RFA je proti smeru hodinových ručičiek a odhadovanie je sekvenčné
štartovací bod a smer zoradenia bodov na obryse musia byt kompatibilné so štartovacím bodom a smerom odhadovania lúčov RFA, teda proti smeru hodinových ručičiek; ak nieje, je potrebné zoradenie v smere hodinových ručičiek zmenit na proti smeru hodinových ručičiek
uhol a orientácia prvého ramena musí byt rovnaká pri všetkých obrysoch z náhodného výberu - všetky obrysy je potrebné rotovat do tejto polohy, t.j. nulté rameno je na osi x-ovej, smeruje k jej kladnej polovici s vrcholom v bode (0,0), čo docielime centrovaním obrysu do jeho centroidu (aritmetický priemer súradníc bodov obrysu) a otočením nultého ramena do osi x
ak chceme porovnávat obrysy párového typu (íavá a pravá strana), je potrebné extrahovat jednu stranu proti smeru hodinových ručičiek a druhú v smere hodinových ručičiek s opačne orientovaným nultým uhlom a potom napr. íavú stranu transformovat pomocou osovej súmernosti (s osou v osi y) minimálny počet harmonických koeficientov p sa odhadne ako
dp = argminVp ||m - m^||
RFA nemôže byt použitá v prípadoch, keď aspoň jedno rameno (lúč) pretne obrys viac ako jedenkrát
Stanislav Katina
9 O
Analýza tvaru
RFA 1
Definition (Radiálna Fourierova analýza, RFA)
Majme obrys centrovaný do bodu (0,0). Lúče (ramená) /}■,/ = 1,2,... k, uhlov 6j s vrcholom v bode (0,0) je možné popísat periodickou funkciou
r{6) nejakého uhla 6 nasledovne
r(0) = y + 5ľ (a'' cos(A'e) + h sin(A,-0)), kde A,- = ;
;'=1
Potom y'-ta harmonická zložka je rovná r(0j), a0 = 2^X^=1 rj/k<
2 * 2 *
Bi = T J2 r' cos('öi); bi = -r J2 r' sin('^)
7=1
7=1
sú párne a nepárne Fourierove koeficienty, k je počet lúčov a zároveň semilandmarkov obrysu a p je počet frekvencií. Musí byt splnená podmienka p < |, lebo máme dva parametre na jednu harmonickú zložku, ktorá je funkciou nejakého jedného uhla 6. Označenia: obrys M a MÍf]..
Stanislav Katina
Example 23
RFA 3
Example (pokrač. príkladu 16)
Majme hmyzie krídlo uložené ako JPEG a resamplované súradnice semilandmarkov obrysu pomocou radiálnych vzdialeností vypočítané v príklade 16.
Q Odhadnite obrys krídla pomocou RFA pri optimálnom p.
Obrázok: Obrys M superponovaný s obrysom so segmentami spájajúcimi korešpondujúce body, rozptylový graf počtu harmonických koeficientov voči dp (suboptimálne p = 8)
Stanislav Katina
Example 23
RFA4
d(p)= 46.347 d(p)= 25.605 d(p)= 21.884 d(p)= 21.134
d(p)= 25.741
d(p)= 22.46
d(p)= 21.395
d(p)= 21.114
Obrázok: Obrys M superponovaný s obrysmi M^, p = 1,2,.
Pozn.: Súradnice sú vypočítané v tvare komplexných čísel, kde
modulus= r(6j), argument= Qs.
Stanislav Katina
Analýza tvaru
EFA2_
Definition (EFA, pokrač.
Ak je obrys definovaný pomocou k semilandmarkov, potom môžeme Fourierove koeficienty odhadnut nasledovne
a,-
T A Axj It:2 n2 ^ At,
7=1 '
T A Axj 2k2íi2 ^ At,
7=1 1
cos ;
Ayj
?7r2n2 Aŕ.
7=1 1
sin ;
cos ;
2kÍj
2rňj_
~T~
2-Ktj 2-Ktj
cos ;
2kÍ,
!7-1
sin ;
cos ;
sin ;
T
27rŕj_i T
27rŕj_i T
27rŕj_i T
, Axi =xi -xk,
, a0
rí>>
7=1
,Ayi =yi -yk,
, c0
2 \ -
7=1
Vypočítané koeficienty a0, a,-, Ď,-, c0, c,- a d, použijeme na odhad x(/y) a y(/y) dosadením do rovníc z predchádzajúceho slajdu, kde oo nahradíme p.
Stanislav Katina
Analýza tvaru
EFA 1
Definition (Eliptická Fourierova analýza, EFA)
Majme obrys centrovaný do bodu (0,0). Nech T je obvod obrysu, A = 2k/T je frekvencia a nech / e (0, T) je chordálna (uhlová) vzdialenosť Potom je možné pomocou / vyjádřit súradnice semilandmarkov obrysu ako x(/) a y(t) nasledovne
x (t) = y +     (a> cos('Aŕ) + bi sin(/A/)), kde
a, =-| / x{t)cos{iXt)dt;b:. = -| f x{t)sm{i\t)dt, ' Jo 'Ja
y (t) = — +     (d cos(/Aŕ) + di sin(;A/)), kde
=-I / y(t)cos(i\t)dt;di = j ľ y(/)sin(;A/)d/.
Stanislav Katina
Analýza tvaru
EFA 3
Metodologické poznámky:
Q všetky obrysy z náhodného výberu musia byt automaticky extrahované pomocou reiazového kódu rovnakým smerom
Q treba mat na zreteli, že smer výpočtu EFA je identický so smerom zoradenia bodov obrysu, odhadovanie je sekvenčné a obe metódy majú rovnaký štartovací bod
Q ak chceme porovnávat obrysy párového typu (íavá a pravá strana), je potrebné extrahovat jednu stranu proti smeru hodinových ručičiek a druhú v smere hodinových ručičiek s opačne orientovanou hlavnou osou a potom napr. íavú stranu transformovat pomocou osovej súmernosti (s osou v osi y)
Q minimálny počet eliptických koeficientov p sa odhadne ako dp = argminVp ||m - m^||
Q parametrická forma EFA umožňuje jednoduché rozšírenie do 3D pridaním z(f)
Q väčšie eliptické koeficienty korešpondujú s väčšími elipsami, kde obrys vzniká kombináciou superponovaných elíps
Q počet eliptických koeficientov môžeme odhadnut pomocou Furierovej sily definovanej ako Power,- = (a? + bf + cf + df)/2, ktorá je proporcionálna amplitúde koeficientov a kumulatívnej Furierovej sily cumsum(Power,)
Q najviac informácií o tvare obrysu je obsiahnutých v prvej elipse, pretože ide o najlepšiu aproximáciu obrysu
Stanislav Katina
Analýza tvaru
EFA4
Example 24
EFA5
Definition (NEFA- normalizácia (štandardizácia) obrysu)
Normalizovaná eliptická Fourierova analýza (NEFA) je EFA invariantná na velkost a rotáciu prvej elipsy a štartovací bod, kde sú koeficienty a,-, Ď,-, c,, d, transformované na aí, b., cí, dl použitím nasledovného algoritmu
a'j   b'A _ 1 / cosí/>    sin^A /a,-   ď,\ /cos/'ö   — sin/'ö\ ~~ se V-s'n^   cos^y y c,-   d,y ysin/'ö    cos/'ö y'
c; d;
kde se je dĺžka hlavnej poloosi prvej elipsy, súvisí s orientáciou elipsy a d s rotáciou štartovacieho bodu na koniec elipsy. Potom
V> = 0.5arctan
2(a-|Ď-| — c-|C/i) i? + c? — Ď? — d?
,Se = \[í
\+c%,0 = arctan —, a*
kde a* = a-i cos^ + ď-i sin 1(1 a c, = c( cos^ + d-i sin V>. Koeficienty prvej eliptickej zložky a\ = \,b\ = c\ = 0. Zostávajúci koeficient d/ súvisí s eliptickou excentricitou, t.j. šírko-dĺžkovym pomerom obrysu.
Ak máme k dispozícii aj súradnice landmarkov na obryse, môžeme použit na normalizáciu GPA.
Stanislav Katina
Example 24
EFA 6
d(p)= 52.357 d(p)= 43.777 d(p)= 43.566 d(p)= 43.574
d(p)=51.708 d(p)= 43.962 d(p)= 43.54 d(p)= 43.525
d(p)= 43.877 d(p)= 43.988 d(p)= 43.55 d(p)= 43.528
Obrázok: Obrys M superponovaný s obrysmi M^Lp = 1,2,... 12
Stanislav Katina
Example (pokrač. príkladu 16 a 23)
Majme hmyzie krídlo uložené ako JPEG a resamplované súradnice semilandmarkov obrysu pomocou uhlových vzdialeností vypočítané v príklade 16.
O Odhadnite obrys krídla pomocou EFA pri optimálnom p.
Obrázok: Obrys M superponovaný s obrysom M^j so segmentami spájajúcimi korešpondujúce body, rozptylový graf počtu harmonických koeficientov voči dp (suboptimálne p = 11)
Stanislav Katina
Analýza tvaru
TFA 1
Definition (Tangenciálna Fourierova analýza, TFA)
Majme obrys centrovaný do bodu (0,0). Semilandmarky obrysu sú ekvidištantne vzdialené s rovnakou uhlovou vzdialenostou medzi nimi. Nech T je obvod obrysu, ktorý je pre jednoduchost potrebné škálovat na 2ir. Potom je možné popísal kumulatívnu zmenu uhla dotykového vektora cf>(t) v jednotlivých bodoch obrysu ako funkciu (kumulatívnej) chordálnej (uhlovej) vzdialenosti / ako 0(ŕ) = 6 (t) - 9(0) - t, kde e (t) je uhol dotykového vektora vo vzdialenosti /, 6(0) je uhol dotykového vektora štartovacieho bodu a jeho odpočítanie slúži na štandardizáciu. Potom platí
2
+ ^2 (a< cos(/0) + b, sin(/0)), kde
a,-
k k k
\ J2 m cos(/0y); b, = lY, ^ sir«: a° =2 E
7=1 7=1 7=1
Pozn.: Tak ako aj pri RFA - používame na výpočet komplexné čísla, v tomto prípade dostaneme Z, kde modulus= 2-K/k, argument= 6(t) = cf>(t) + 0(0)+ t, výsledné súradnice obrysu sú cumsum(Z), kt. musíme centrovat do (0,0)
j
Stanislav Katina
Example 25
TFA2
Example (pokrač. príkladu 16, 23 a 24)
Majme hmyzie krídlo uložené ako JPEG a resamplované súradnice semilandmarkov obrysu pomocou uhlových vzdialeností vypočítané v príklade 16.
O Odhadnite obrys krídla pomocou TFA pri optimálnom p.
Pozn.: Najjednoduchší spôsob aproximácie uhla dotykového vektora je pomocou rozdielu dvoch susediacich bodov obrysu. Treba si uvědomit, že vplyv uhla 6(0) môže mat výrazný efekt na odhad obrysu.
Obrázok: Obrys M superponovaný s obrysom so segmentami spájajúcimi korešpondujúce body (bez a s odpočítaním
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
Definition (Matica ohybovej energie a ohybová energia)
Majme TPS model [IM3] definovaný ako
17
'k
Nech je inverzia matice L rovná
-i
*k
■ 11
*-kxk
L21
L3x/<
L12
.22
L3x3
potom
Q matica ohybovej energie: Be = Q ohybová energia alebo penalta:
-kxk
J (f) J (f)
tr (WrSW)
v í 92 f™ V
^'J Vôx(')9x(i) /
= /r(YrBeY)
dx(1)dx(2), s riešením modelu IM3
Stanislav Katina
Example 25
TFA 3
d(p)= 25.269       d(p)= 3.702        d(p)= 2.638        d(p)= 2.352
d(p)= 4.928        d(p)= 3.877        d(p)= 2.368        d(p)= 2.406
d(p)= 5.414        d(p)= 2.397        d(p)= 2.502        d(p)= 2.31í
Obrázok: Obrys M superponovaný s obrysmi M^L,p = 1,2,... 12
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
Obrázok: Cirkularíta ohybovej energie vo vztahu ku polohe piateho landmarku v prostriedku štvorca
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
Definition (Analýza kriviek - posúvanie semilandmarkov po krivke)
Nech X,x2 = (xi, ...x,)7 = (x(1>,x(2>) a Y,x2 = (yi, ...y,)7 = (y(1),y(2)) sú konfiguračné matice s riadkami xy = (xí1\x^)T a yy = (y^\yj2^)T, kde
x(-) = (x\m\4m\ ...**">) V* = (y\m\y{2m\ ...yiim))T.J = 1,2, a
m = 1,2. Nech body sublistu yy. posúvame mimo ich pôvodnej polohy
X]., i =1,2, ...q < k, pozdĺž tangenciálneho smeru u, = u,-2)) , kde ||u||2 = 1. Potom nová poloha xyŕ je definovaná ako
Y/ř = x/ř + /,u,,; = 1,2, ...q < /c, kde u,
— X/_1
a t = (/!,...ŕ,)7
||X/+1 - X;_-| ||2
Je potrebné minimalizovat kvadratickú formu
y7By = (x+Ut)7B(x+Ut),
kde x =Vec(X) a y =Vec(Y), B = cŕ/ag(Be, Be), Be je závislá iba na nejakej (referenčnej) konfiguračnej matici X*.
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
i—i—i—i—i—i—i i—i—i—i—i—i—i i—i—i—i—i—i—i
i—i—i—i—i—i
i—i—i—i—i—i
Obrázok: Posúvanie bodov na krivke pri troch situáciách a dvoch tvaroch
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
Definition (Analýza kriviek - posúvanie semilandmarkov po krivke; pokrač.
Kvadratickú formu yrBy minimalizujeme cez hyperrovinu
y = x + Ut,
kde X je matica landmarkov vzoru (pôvodná poloha) a Y je matica landmarkov obrazu (nová poloha), U je matica riadkov dĺžky 2k a stĺpcov dĺžky q, kde (/,-, ;)-ty element označujeme     a (/c +   ;)-ty element uf\ na iných miestach sú umiestnené nuly. Vektor t je riešením nasledujúcej rovnosti
d_
at
(x + Ut)7 B (x + Ut)
d_
at
(x7Bx + x7B(Ut)+ (Ut)7 Bx+ (Ut)7 B(Ut))
x7BU + U7Bx+2U7B(Ut) 2(x7BU + UTB(Ut)) = 0
Riešenie (podobné zovšeobecnenej MNŠ) má tvar
t = - (U7BU) 1 U7Bx.
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
Example (Symphyseálna krivka, pokrač.)
Majme symphyseálnu krivku z príkladu 3, kde k = 21, dáta (symphysis). Na optimalizáciu polohy semilandmarkov na krivke v zmysle ohybovej energie (geometrická homológia) použijeme konfiguračnú maticu X a referenčnú (napr. priemernú) krivku XR (voči ktorej prebieha optimalizácia).
Obrázok: Posúvanie bodov na krivke pri troch situáciách - rôzne chápanie krivky (uzavretá vs otvorená), koncové body fixované vs voíné na posúvanie [dotyčnice v smere u,-,; = 1,2, .../c; ozn. • pôvodné pozície x,]
Stanislav Katina
Analýza tvaru
Analýza kriviek (sliding on curves) - geometrická homológia
2D tvár - snímok z klasického fotoaparátu
Dpt. of Anthropology, University of Vienna, Vienna, Austria
Obrázok: Posúvanie bodov na krivke pri troch situáciách - rôzne chápanie krivky (uzavretá vs otvorená), koncové body fixované vs voíné na posúvanie [dotyčnice v smere u,- s riešeniami y, = x,- + /,-u,-,; = 1,2, ...q, ozn. • pôvodné pozície x,-, • odhadnuté pozície y,]
Stanislav Katina
2D tvár - snímok z klasického fotoaparátu
Dpt. of Anthropology, University of Vienna, Vienna, Austria
it i,
44        49 4#9 38 «   M 47
-0.15    -0.10    -0.05    0.00     0.05     0.10 0.15
Obrázok: Reliabilita náklonu hlavy pri snímaní v rôznych uhloch [podmnožina (semi)landmarkov] a jej PCA
Stanislav Katina
20 dievčat, 19 - 31 ročných, 46 + 26 (semi)landmarkov
30 32
Obrázok: (Semi)landmarky naludskej tvári a pravo-íavá (ne)kompatibilita kódovania semilandmarkov na krivkách [podmnožina (semi)landmarkov]
Stanislav Katina
2D tvár - snímok z klasického fotoaparátu
Dpt. of Anthropology, University of Vienna, Vienna, Austria
Obrázok: PCA reliability náklonu hlavy pri snímaní v rôznych uhloch [podmnožina (semi)landmarkov]
Stanislav Katina
2D tvár
Získavanie dát a ich úprava v PC
3D tvár - snímok zo stereo-kamerového systému
Dental clinic, The University of Glasgow, UK; Face 3D data
Získavanie dát a ich úprava v PC:
O nasnímanie dát klasickým fotoaparátom - protokol snímania (dotazník, kalibrácia snímacieho systému, participanti a časový harmonogram)
O extrakcia 2D súradníc a RGB farieb - z .jpega . tif f súborov a pod. do . dmp súborov čitatelných v <®
O validačná štúdia (štúdia reliabilita) - vhodná/optimálna orientácia tváre v anatomickom súradnicovom systéme, opakovatelnost presnosti snímania/merania (Technical Measurement Error, TEM), lineárny regresný model so zmiešanými efektami
O (polo)automatické meranie/extrakcia súradníc (semi)landmarkov, kriviek [(46 + 26) x 2 (semi)landmarkov]
O iteratívny výpočet súradníc geometricky homologických
semilandmarkov na krivkách použitím TPS warpingu [(46 + 26) x 2 (semi)landmarkov a viac ako 2mil pixelov]
O výpočet symetrizovaného priemerného tvaru (template)
(semi)landmarky na referenčnej tvári a preznačenej a zrkadlovo súmernej tvári musia byí spriemerované
Stanislav Katina
3D tvár - snímok z laserového skaneru
Royal College of Surgeons in Ireland, Dublin; Face 3D data
42 párov naskenovaných tvárí, 23 landmarkov, 1664 geometricky homologických semilandamrkov na krivkách a ploche, 59242 bodov plochy trinagulovaných použitím 117386 trojuholníkov
Obrázok: VCFS tvár, laserový skaner a (ne)triangulované semilandmarky na ploche
Stanislav Katina
Stanislav Katina
3D tvár
Získavanie dát a ich úprava v PC
Získavanie dát a ich úprava v PC: O nasnímanie dát stereo-kamerovým systémom alebo laserovým
skanerom - protokol snímania (dotazník, kalibrácia snímacieho
systému, participanti a časový harmonogram) Q extrakcia 3D súradníc, normál bodov na ploche, trinagulácie a
RGB farieb-z . obj, .wrla . j peg súborov do .dmp súborov
čitatelných v ®
O validačná štúdia (štúdia reliabilita) - vhodná/optimálna orientácia tváre v anatomickom súradnicovom systéme, opakovatelnost presnosti snímania/merania (Technical Measurement Error, TEM), lineárny regresný model so zmiešanými efektami
O (polo)automatické meranie/extrakcia súradníc (semi)landmarkov, kriviek a plôch [1664 x 3 = 4992, 4992 x 42 = 209664 bodov]
O iteratívny výpočet súradníc geometricky homologických
semilandmarkov na krivkách/plochách a bodov na ploche použitím TPS warpingu [59242 x 3 = 177726; 177726 x 42 = 7464492]
O výpočet symetrizovaného priemerného tvaru (template) (semi)landmarky na referenčnej tvári a preznačenej a zrkadlovo súmernej tvári musia byt spriemerované; plocha tiež symetrizovaná
Stanislav Katina
3D tvár - snímok z laserového skaneru
Royal College of Surgeons in Ireland, Dublin; Face 3D data
Obrázok: Symetrízovaná vzorová tvár (template) a (semi)landmarky
Stanislav Katina
Budúcnosť analýzy tvaru
Automatická extrakcia diferienciálno-geometrických štruktúr z biologických objektov
v     -"-ťí'-''-- /
Obrázok: Automatická extrakcia landmarkov, kriviek a anatomických plôch
Stanislav Katina
Budúcnost analýzy tvaru
Automatická extrakcia diferienciálno-geometrických štruktúr z biologických objektov
Obrázok: Sekcencia automatickej extrakcie íudských pier
Stanislav Katina
Budúcnost analýzy tvaru
Analýza tvaru EEG - časo-priestorové modelovanie
o o
Obrázok: Fúzia analýzy tvaru, EEG a zobrazovacích techník mozgu
Stanislav Katina