آموزش پردازش تصویر و بینایی ماشین در MATLAB

تصویر در MATLAB یک آرایه است؛ بنابراین انتخاب ناحیه، تغییر شدت روشنایی و ساخت ماسک با عملیات روی آرایه‌ها پیوند دارند. شکل، یک تصویر کوچک ساختگی و انتخاب بخشی از آن را نشان می‌دهد. پیش از اجرای الگوریتم، اندازه تصویر و نوع داده را بررسی کنید؛ یک تصویر رنگی با تصویر خاکستری ساختار یکسانی ندارد. سپس پرسش روشنی انتخاب کنید: آیا فقط بخشی از تصویر لازم است، یا باید جسمی از پس‌زمینه جدا شود؟ با یک نمونه ساده شروع کنید و تصویر ورودی و خروجی هر مرحله را کنار هم ببینید. این کار خطاهای اندیس‌گذاری و تغییر ناخواسته بازه شدت را زودتر آشکار می‌کند.

تشخیص می‌گوید در هر فریم چه چیزی دیده می‌شود؛ ردیابی تلاش می‌کند هویت همان جسم را در فریم‌های بعد حفظ کند. شکل سه لحظه از حرکت دو جسم فرضی را نشان می‌دهد. اگر فقط خروجی آشکارساز را کنار هم بگذاریم، هنوز معلوم نیست کدام کادر متعلق به جسم قبلی است. برای این ارتباط می‌توان از موقعیت، حرکت و ویژگی‌های ظاهری استفاده کرد. پوشیدگی، نزدیک‌شدن دو جسم و خروج موقت از تصویر مسئله را دشوارتر می‌کنند. در شروع، یک ویدئوی کوتاه با حرکت ساده انتخاب کنید و به‌جای شمارش کادرها، پایداری شناسه هر جسم را بررسی کنید.

در تصویر RGB، سه کانال رنگی کنار دو بعد مکانی قرار می‌گیرند. شکل کانال‌ها را جدا نمایش می‌دهد تا روشن شود تغییر یک کانال با تغییر روشنایی همه کانال‌ها یکسان نیست. هنگام خواندن تصویر، فقط ظاهر آن را نبینید؛ کلاس آرایه، تعداد کانال‌ها و بازه مقادیر را هم بررسی کنید. عملیات عددی روی uint8 و داده اعشاری می‌تواند رفتار متفاوتی داشته باشد. همچنین مختصات سطر و ستون آرایه را با محورهای هندسی اشتباه نگیرید. یک مسیر ساده شامل خواندن، بررسی اندازه، استخراج کانال و نمایش دوباره، پایه بسیاری از کارهای پیشرفته‌تر پردازش تصویر است.

بخش‌بندی، پیکسل‌های مرتبط را به یک ناحیه تبدیل می‌کند؛ برای مثال می‌توان جسمی رنگی را از پس‌زمینه جدا کرد. شکل یک تصویر هندسی ساختگی و ماسک دودویی آن را کنار هم نشان می‌دهد. انتخاب آستانه یا فضای رنگ مناسب فقط مرحله نخست است؛ نویز می‌تواند لکه‌های کوچک بسازد و سایه ممکن است بخشی از جسم را حذف کند. پس از ایجاد ماسک، اندازه ناحیه و شکل آن را بررسی کنید و اگر از عملیات ریخت‌شناسی استفاده می‌کنید، اثر آن را روی مرزها ببینید. نتیجه خوب باید با مسئله و تصویر اصلی سازگار باشد، نه اینکه فقط ظاهری تمیز داشته باشد.

گوشه‌ها و الگوهای محلی می‌توانند برای اتصال دو نما یا دنبال‌کردن حرکت به کار بروند. شکل چند نقطه متناظر را در دو قاب ساختگی نشان می‌دهد. هر تطبیق ظاهری الزاماً درست نیست؛ نواحی تکراری، تغییر زاویه و پوشیدگی ممکن است تطبیق نادرست بسازند. بنابراین علاوه بر شباهت محلی، سازگاری هندسی نقاط را بررسی کنید. مدل انتقال ساده برای فهم اولیه مناسب است، اما حرکت دوربین، پرسپکتیو یا تغییر شکل به مدل‌های دیگری نیاز دارد. ابتدا تعداد کمی نقطه را روی یک جابه‌جایی روشن دنبال کنید و سپس اثر نویز و حذف نقاط را بسنجید.

افزایش کنتراست می‌تواند اختلاف شدت‌ها را قابل‌دیدن‌تر کند، اما اطلاعات ازدست‌رفته را بازسازی نمی‌کند. شکل یک الگوی ساختگی کم‌کنتراست و نسخه کشیده‌شده آن را نشان می‌دهد. کشش خطی شدت با همسان‌سازی هیستوگرام یا روش محلی یکسان نیست. در MATLAB، imadjust، histeq و adapthisteq انتخاب‌های متفاوتی برای تغییر توزیع شدت ارائه می‌کنند. ناحیه تاریک، ناحیه روشن و نویز را جدا بررسی کنید؛ تقویت کنتراست ممکن است نویز را هم برجسته کند. بهترین تنظیم به هدف وابسته است: خواندن مرز یک جسم با حفظ ظاهر طبیعی تصویر الزاماً پاسخ یکسانی ندارد.