งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

Lecture 14 Previous Works. 2 Problem: Target Image Search A target is assumed to be  Scaled, Rotated Version Template  With Edges Distorted Search on.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "Lecture 14 Previous Works. 2 Problem: Target Image Search A target is assumed to be  Scaled, Rotated Version Template  With Edges Distorted Search on."— ใบสำเนางานนำเสนอ:

1 Lecture 14 Previous Works

2 2 Problem: Target Image Search A target is assumed to be  Scaled, Rotated Version Template  With Edges Distorted Search on Images Database Template Target

3 3 Methodology: An Overview  Inspiration Jain et al [1], “Object Matching Using Deformable Templates”  Our Algorithm Finding Hypotheses : MGHT Peak Clustering : Watershed Method Contour Matching : Smooth Membrane Fitting TemplateTarget Contours Hypotheses 3 Peaks in 3D Hough Space Rejected Hypothesis Accepted Hypothesis Rejected Hypothesis

4 4 Finding Candidate Target: Modified Generalized Hough [Nimkerdpol and Madarasmi, 2001] A line at the contour edge is extended in the  direction until it meets the other end of the contour In MGHT, the relation between  r,  l) is stored as a linked list in R-Table, not as  r) like in GHT  r 1,  1,  1, l 1 r 2,  2,  2, l 2 r 3,  3,  3, l 3 r 4,  4,  4, l ,180,195,999,179,219,1018,177,216,1029,176,198, ,160,23,514,159,38,718,161,175,6215,162,195,95 30…4919,165,31,5320,170,8,5222,167,15,5218,159,158,12 …………… ,105,346,1124,103,165,1121,102,346,1822,104,195,24

5 5 MGHT: Rotation/Scale  = 30  -200  = -170  = 190  = 300  -110  = 190 

6 6 MGHT Rotation Factor: Scaling Factor : New ref. Point : x c = x + S r cos (  y c = y + S r sin ( 

7 7 Watershed for Peak Clustering 1.Shed, by labeling, at the first level, calculate peaks of each label 2.Increase to higher level, shed again 2.1Meet an area of previous level, shed to that area 2.2Not meet any area of previous level, make a new area, calculate a new peak

8 8 Deformation : Contour Matching  Parameter :  x  y  or (u,v) range -7, -6, …,0,… 6, 7

9 9 Coarse and Fine Matching

10 10 Matching Algorithm  Energy Function Update (u,v) : Gibbs Sampler with simulated annealing Template Target Edge

11 11 Experiment on Image Search TemplateTarget Edge MapResult Hough Space

12 12 Experiment on Image Search Target Edge Hypotheses 1st Match 2nd Match 3rd Match4th Match

13 13 Experiment on Image Search TemplateTarget Edge MapThe Best MatchHough Space

14 14 Threshold Selection: Guitar TemplateTarget Edge Hypotheses Threshold :

15 15 Threshold Selection: Guitar Threshold : Template Target EdgeHypotheses

16 16 Threshold Selection: Vase Threshold : Template Edge Map Hypotheses

17 17 Threshold Selection: Vase 2 Template Target Edge Hypotheses Threshold :

18 18 Threshold Selection: Vase 3 Template Target EdgeHypotheses Threshold :

19 19 Energy Threshold

20 20 Experiment on Image Querying Database Search for Circle shape

21 21 Experiment on Image Querying Database Search for bulb shape

22 22 Conclusion  A deformation model  Contour Matching  A method for image search  Future work: large image database, efficient method for minimizing energy, coarse-and- fine approach to computer vison modules

23 23 Accurate 3-D surface map using stereo vision This proposal research addresses 2 issues: Find an accurate 3-D surface map using stereo vision Combine surface from different views to a single 3-D object for CAD applications.

24 24 Combine surface from multiple views to a single 3-D object. To combine multiple view, we need to find the rotation and transformation matrices from each camera combined to the world or reference co-ordination system. ================== Rotation : Rotation : Rotation : Translation : Translation : Translation : ==================

25 25 Expect Result After Combine Multiple View

26 26 A Relaxation Method for Shape from Contours Input Contour Images: 1.Geodesics Contours Only 2.Developable Surface (No Folds/Twists) 3.Non-Accidental View 1.Place Grid Points in X and Y Direction to have Smooth 2.Draw Horizontal and Vertical Lines through Grid to Form a Regular Square Texture 3.Use Shape from Texture to Obtained Surface Normals

27 27 Experiment 2 Step 1 Step 2Step 3 Original

28 28 Shape from Contour

29 29 Shape from Contour

30 30 Shape from Contour

31 31 Shape from Contour

32 32 Shape from Contour

33 33 Shape from Contour

34 34 Shape from Contour

35 35 Shape from Contour

36 36 Contour Search

37 37 Contour Search

38 38 Contour Search

39 39 Contour Matching

40 40

41 41

42 42

43 43

44 44

45 45 Paper Inspection

46 46 Multi-Layer Stereo

47 47 Multi-Layer Stereo

48 48 Multi-View Stereo

49 49 Multi-View Stereo

50 50 Rubber Sheet Inspection

51 51

52 52 Garment Layout using Genetic W - กำหนดจำนวน Population และสุ่มเพื่อสร้าง Population - คัดเลือก Solution ที่ดีที่สุดออกมาจำนวนหนึ่ง - นำ Solution ดังกล่าวมาจัดเรียงจากประสิทธิภาพดีสุดไปแย่สุด Repeat - สุ่มค่าแบบ Uniformly Distributed Random ที่มีค่า 0 ถึง 1 - กำหนดให้ r คือค่าที่สุ่มได้ และ p คือค่าความน่าจะเป็น If r < p ( กำหนดให้ p = 0.9) Then - สุ่มเลือก Solution จาก Population ด้วยการใช้ Linearly Biased Random Number Generator ออกมาจำนวนหนึ่ง - สุ่มเลือก Strip จาก Solution ทั้งหมดที่เลือกมาด้วยการใช้ Linearly Biased Random Number Generator - สร้าง Solution มาใหม่ด้วยการ Crossover โดยนำ Strip แต่ ละ Solution ที่ได้สุ่มเลือกมานำมา Crossover กัน และ Mutate ด้วยการนำชิ้นงานที่เหลือมาไล่จัดวางใหม่ - ทำการ Adjust โดยเลือก Strip ที่ประสิทธิภาพสูงมาจัดเรียง และ นำชิ้นงานที่เหลือไล่จัดวางใหม่ - นำ Solution ใหม่ที่ได้ไปเป็น Population Else (r  p) - สุ่มเลือก Solution จากประชากร แล้วสุ่มเลือก Strip โดย การสุ่มแบบ Uniform Distributed Random เพื่อนำมา Crossover และ Mutate ด้วยการนำมาไล่จัดวางใหม่ - นำ Solution ใหม่ที่ได้ไปเป็น Population - จัดเรียง Population ด้วยค่า Fitness และเก็บ Solution ที่ติด ลำดับไว้ Until ประชากรไม่เปลี่ยน หรือ ประสิทธิภาพที่ดีที่สุดคงที่ หรือ ครบจำนวนครั้ง ที่กำหนด

53 53 Garment Layout using Genetic

54 54 Food Inspection: Texture หา Co- occurrence matrix ที่ d[3,3] และ d[-3,3] กรอง เฉลี่ย LoG


ดาวน์โหลด ppt Lecture 14 Previous Works. 2 Problem: Target Image Search A target is assumed to be  Scaled, Rotated Version Template  With Edges Distorted Search on.

งานนำเสนอที่คล้ายกัน


Ads by Google