งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

# Lecture 14 Previous Works.

## งานนำเสนอเรื่อง: "Lecture 14 Previous Works."— ใบสำเนางานนำเสนอ:

Lecture 14 Previous Works

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

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 Template Target Contours Hypotheses 3 Peaks in 3D Hough Space Rejected Hypothesis Accepted Hypothesis Rejected Hypothesis

Finding Candidate Target: Modified Generalized Hough
[Nimkerdpol and Madarasmi, 2001] A line at the contour edge is extended in the g direction until it meets the other end of the contour In MGHT, the relation between Dq  (r,a,q,l) is stored as a linked list in R-Table, not as q  (a,r) like in GHT r1, a1, q1, l1 r2, a2, q2, l2 r3, a3, q3, l3 r4, a4, q4, l4 0...19 15,180,195,99 9,179,219,101 8,177,216,102 9,176,198,100 17,160,23,5 14,159,38,7 18,161,175,62 15,162,195,95 30…49 19,165,31,53 20,170,8,52 22,167,15,52 18,159,158,12 23,105,346,11 24,103,165,11 21,102,346,18 22,104,195,24

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

MGHT xc = x + S r cos (a + b) yc = y + S r sin (a + b)
Rotation Factor: Scaling Factor : New ref. Point : xc = x + S r cos (a + b) yc = y + S r sin (a + b)

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

Deformation : Contour Matching
Parameter : (Dx,Dy) or (u,v) range -7, -6, …,0,… 6, 7

Coarse and Fine Matching

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

Experiment on Image Search
Template Target Edge Map Result Hough Space

Experiment on Image Search
Hypotheses 1st Match Target Edge 2nd Match 3rd Match 4th Match

Experiment on Image Search
Template Target Edge Map Hough Space The Best Match

Threshold Selection: Guitar 1
Template Target Edge Hypotheses Threshold :

Threshold Selection: Guitar 1
Template Target Edge Hypotheses Threshold :

Threshold Selection: Vase 1
Template Edge Map Hypotheses Threshold :

Threshold Selection: Vase 2
Template Target Edge Hypotheses Threshold :

Threshold Selection: Vase 3
Template Target Edge Hypotheses

Energy Threshold

Experiment on Image Querying
Database Search for Circle shape

Experiment on Image Querying
Search for bulb shape Database

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

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.

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 :

Expect Result After Combine Multiple View

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

Experiment 2 Original Step 1 Step 2 Step 3

Shape from Contour

Shape from Contour

Shape from Contour

Shape from Contour

Shape from Contour

Shape from Contour

Shape from Contour

Shape from Contour

Contour Search

Contour Search

Contour Search

Contour Matching

Paper Inspection

Multi-Layer Stereo

Multi-Layer Stereo

Multi-View Stereo

Multi-View Stereo

Rubber Sheet Inspection

Garment Layout using Genetic
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 แต่ละ 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 โดยการสุ่มแบบ Uniform Distributed Random เพื่อนำมาCrossover และ Mutate ด้วยการนำมาไล่จัดวางใหม่ จัดเรียง Population ด้วยค่า Fitness และเก็บ Solution ที่ติดลำดับไว้ Until ประชากรไม่เปลี่ยน หรือ ประสิทธิภาพที่ดีที่สุดคงที่ หรือ ครบจำนวนครั้ง ที่กำหนด W

Garment Layout using Genetic

Food Inspection: Texture
กรองเฉลี่ย LoG หา Co-occurrence matrixที่ d[3,3] และ d[-3,3]

งานนำเสนอที่คล้ายกัน