Aus einer Bildverarbeitung kommen 2D-XY-Daten in einen Bildspeicher, der
von einem Videoprozessor ausgelesen wird. Im Bild (hell-dunkel), das
stark verrauscht ist, sollen Kreise identifiziert werden. Der
Mittelpunkt kann dabei ausserhalb des Bildes liegen.
Es gibt einen dark spot und einen light spot, deren Grösse und Lage
bestimmt werden sollen. Infolge diverser Effekte sind die Kreise leicht
deformiert. (Real sind es Kugelprojekttionen, die schwimmen und
verwackeln).
Angedeutet ist der Bilduschnitt im Videospeicher.
Das Bild kann mehrfach ausgelesen, zwischengespeichert und analysiert
werden.
Was ich schon hinbekommen habe, ist das Bild so zubearbeiten, dass ich
das Rauschen weg habe und Kreise ausweisen kann. Wie gelange ich nun zu
den Parametern R und Xm,Ym?
1) Filtern
2) Kantendetektion
3) Morphologische Filter (optional)
4) Klassifizierungs-Algo (bspw. k-Means)
Georg B. schrieb:> Die Hough-Trans habe ich schon probiert. Das ist aufwändig und nicht so> ergenisbringend.
Wir bewegen uns hier im Bereich des Maschinellen Sehens -- hier ist
nichts einfach und mal eben schnell ohne großen Aufwand gemacht.
Langsam verstehe ich, wieso hier der Ton häufig rauer als erwartet ist.
Wenn du ein Problem schilderst mit der Frage "Wie gelange ich nun zu
den Parametern R und Xm,Ym?" ohne deine bereits versuchten Verfahren zu
schildern, bekommst du garantiert die am meisten Erfolg versprechenden
Methoden, i.e. Kantenfilter + Hough.
Besser, du legst die Karten auf den Tisch und erzählst uns ein
bisschen mehr.
1) Sieht aus wie Fluoreszenzmikroskopie. Stimmt das? Wenn nicht, was ist
es?
2) Du sagst, die Objekte sind nicht statisch. Also her mit den Daten!
Mindestens eine Bildfolge von mehreren zeitlich kohärenten Aufnahmen
einer typischen Situation.
3) Was hast du bereits versucht, mit welchen Parametern?
4) Bist du bereit, Code zu veröffentlichen oder willst du nur eine
Diskussion, bei der wir dir alles aus der Nase ziehen müssen?
5) Du sagst, du hast das Rauschen beseitigt. Warum zeigst du uns dann
ein verrauschtes Bild?
6) Du kannst Kreise ausweisen. Bitte erläutern. Meinst du, du guckst das
Bild an und sagst "KREIS!" oder hast du was handfestes?
Okay, hab mich beruhigt. Was brauchst du? Radius und Kreismittelpunkt.
Wie bekommst du das? Indem du einen Kreis an die Objekte fittest. Durch
was ist ein Kreis definiert? Durch die Punkte, die die Kreisformel
erfüllen. Diese Punkte liegen auf der Kontur der Objekte deines Bildes.
Du musst also die Konturpunkte finden.
Ansatz 1: Segmentierung der gesamten Objekte und Kontursuche.
A) Dynamische Schwellwerte
B) Texturanalyse (Stichwort Morphologie, FFT, Kookkurenzmatrix, Laws
Texture Energy Measures)
C) Maschinelles Lernen: SVM, Neuronale Netze
Ansatz 2: Direkte Klassifizierung der Konturpunkte.
A) Kantendetektion (Hochpass, Canny, Morphologische Filter)
B) Maschinelles Lernen
C) Feature-Extraktion mit nachfolgender Filterung nach Kriterien
Ansatz 3: Statistische Kurvenbestimmung
Hough ist nicht nur für Kreise da! Lies dich ein.
Ansatz 4: Zeitliche Kohärenz ausnutzen
WENN du zeitlich kohärente Bilder hast, dann nutz das aus! Bilde den
optical flow zwischen aufeinanderfolgenden Bildern. Entsprechende
Vektoren in aufeinanderfolgenden Bildern deuten auf Objekte hin,
zufällige Vektoren auf Hintergrund, FALLS dein Hintergrund einem
statistischem Prozess folgt.
Stichworte: Features, Dense Optical Flow
So, jetzt bist du dran!
zwonk schrieb:> 1) Sieht aus wie Fluoreszenzmikroskopie. Stimmt das? Wenn nicht, was ist> es?
Es ist ein Forschungsprojekt aus dem Bereich der elektromagnetischen
3D-Lokalisation von metallischen Objekten. Sie entstehen nach einer
Flächenabtastung eines elektrosensitiven Sensors.
> 2) Du sagst, die Objekte sind nicht statisch. Also her mit den Daten!
Habe ich noch keine.
> 3) Was hast du bereits versucht, mit welchen Parametern?
Ich habe die Bilder ofline mit MATLAB prozessiert und mir überlegt, wie
es möglich sein könnte, das Rauschen wegzubekommen. Angelangt bin ich
bei einem glatten Bild
> 4) Bist du bereit, Code zu veröffentlichen
Habe noch keinen. Es geht jetzt darum, festzustellen, was man braucht
und welche Plattform sowas leisten kann.
> 5) Du sagst, du hast das Rauschen beseitigt. Warum zeigst du uns dann> ein verrauschtes Bild?
Siehe oben das entrauschte Bild
> 6) Du kannst Kreise ausweisen. Bitte erläutern. Meinst du, du guckst das> Bild an und sagst "KREIS!" oder hast du was handfestes?
Es müssen Kreise sein, weil die Emmission kubisch ist und die Projektion
auf einer Fläche immer ein Kreis ist.
> Okay, hab mich beruhigt.
Was hat Dich denn so erregt?
Okay, kapiert. Ich halte mich raus. Aus deinen Antworten sehe ich genau
das, was ich schon hundertmal in real life und hier im Board gesehen
habe. Wenig Input, schwammige Formulierung, ausweichende Antworten, aber
Erwartungshaltung.
Viel Spaß mit dem Projekt!
Stefan schrieb:> Es gibt doch in OpenCV eine eingebaute Kreiserkennung? Meine ich neulich> in einem Tutorialgelesen zu haben...
Das ist ein guter Hinweis. Vielen Dank. Das werde ich mir raussuchen.
Danke denen, die konstruktives beigetragen haben.
Den anderen wünsche ich noch ein schönes Wochenende.
> Besser, du legst die Karten auf den Tisch und erzählst uns ein> bisschen mehr.
Die Frage war klar und verständlich formuliert. Es ging um
Bildverarbeitung.
Die Schuhgröße des Großvaters väterlicherseits, ob das Bild durch
Kirlianfotografie oder ektoplasmische Niederschläge entstanden ist und
ob der Code letztlich Open Source wird, tut da nichts zur Sache.
Ich verstehe auch, warum der Ton oft so indiskutabel wird: Das passiert
dann, wenn Leute, die offenbar keine Antwort beisteuern können, ihre
niedrigen Instinkte durch Herumnörgeln an der Fragestelltung ausleben.
Das kann man klar und eindeutig beantworten.
Entweder man ist ein Enthusiast der ein Thema oder Problem diskutieren
will.
Dann erklärt man das Problem und seine Umgebung klar und offen.
1. Wer das verneint, hat noch nie komplexe Probleme bearbeitet, bei
denen oft gar nicht klar ist ob gewisse Tatsachen nun zur befriedigenden
Lösung beitragen oder nicht.
2. Wer das verneint, will auch nicht, dass die Gemeinschaft von der
Diskussion profitiert und das kann sie überhaupt erst und um so besser,
wenn viel von dem Gesamtzusammenhang offengelegt wird.
Oder man ist, wie sich aus dem oben Gesagten ergibt, ein "Kunde", der
die Information, die er preisgibt minimieren und die, die er erhält
maximieren will.
Dann soll er hier Projektanfragen stellen oder Stellenanzeigen aufgeben.
Wie klein wird der kleinste Kreis?
Das Bild kann man doch ohne weiteres auf 10% also 1% der Pixel
runtersamplen ohne relevante Information zu verlieren.
Vielleicht kann man dann noch die ganzen Kreise erfassen ohne sie
abzuschneiden und ohne diesen hässlichen Rand?
Dann wäre es einfach eine Diskriminierung nach Amplitude über
Schwellenwerte und danach ein center of gravity für den Mittelpunkt und
eine Flächenberechnung für den Radius.
Diese Kreiserkennung interessiert mich dienstlich auch, aber ich werde
hier nicht nach Lösungen fragen. Der Zahn wurde mir wieder mal
gezogenen.
Wenn ich mir dieses Segment ansehe, wird mir immer wieder klar, das der
Mensch den Kreis gut erkennen kann, die fehlenden Ränder simple
mathematische Verfahren jedoch ausschließen.
Andererseits braucht man nur 3 Punkte auf der Peripherie um einen
Idealen Kreis erkennen. Leider ist kein Kreis ideal.
Was wäre der Vorteil des runterskalierens? Ich verliere Information. Wo
ist der Wert?
Der Bildschauschnitt ist nicht willkürlich. Der Aufnahmebereich ist
begrenzt, wie bei einer Fotokamera. Ich kann diesen maximieren und dabei
Bildrate verlieren, aber nicht über alle Grenzen gehen. Es wird immer so
sein, dass Projektionen unvollständig bleiben. Ich möchte dann natürlich
den Ausschnittsbreich anpassen, sobald ich die Kreisgrössen habe.
Es reicht aber, die Kreise zu fitten und die XY-Koordinaten zu haben.
Die XZ und YZ-Raumpositionen bestimmen orthogonale Messsysteme.
Damit kann dann letztlich der 3D-Mittelpunkt ermittelt werden.
Hoffentlich :-)
Wenn du das Bild auf 10% verkleinerst, dann erkennt man noch
immer sehr genau die Kreise, auch innerhalb des Quadrats.
D.h., für eine Erkennung dürfte es noch ausreichend sein.
Und Hough-Transformation ist nicht gleich Hough-Transformation.
Du kannst die Transformation so formulieren, dass du einen
Punkt nicht auf Rand-, sondern auf Flächen-Zugehörigkeit testest.
Dabei kannst du das Transformationsraster nochmal gröber machen.
Dazu noch eine Transformation für verschiedene Kreisdurchmesser
oder gleich eine mehrdim. Hough-Transformation.
Dann die Transformierte ausreichend glätten und nach Max/Min
suchen...
Selbst wenn du nur einen Teilkreis, Rest abgeschnitten, hast,
liefert dir die Transformation noch immer Treffer. Ich habe
selbst schon bei verschiedenen Formen gemacht, meist immer
erfolgreich.
Der Algorithmus lässt sich übrigends gut auf einer GPU ausführen.
Georg B. schrieb:> Was wäre der Vorteil des runterskalierens? Ich verliere> Information. Wo> ist der Wert?
So wie das Bild aussieht denke ich nicht dass Information verloren geht
bei runtersamplen auf 10%.
Denn schaut man sich das Bild im Frequenzbereich an, wird man
feststellen dass ab 1/10 Nyquistfrequenz wohl das Rauschen bei weitem
das Nutzsignal aus den Kreisen übersteigt.
Man erhöht also lediglich das Messrauschen für einen Algorithmus der
nicht das ganze Bild auswertet sondern nach "Features" sucht, also nur
wenige Pixel verrechnet von einem Kreis der aus Tausenden besteht.
Ich habe die fft transformation des Beispielbildes angehängt.
Sie umfasst 10^4 von schwarz zu weiss und ist fnull auf mitte zentriert.
Die Information der Kreise ist sehr nahe am hellen Mittelpunkt, da sehr
niederfrequent. Die höherfrequenten Teile der Kreise sind zu schwach um
über das Rauschen zu kommen.
Die Linien sind der sinc des Rechtecks im Bild.
Ich habe mal von von der 10%-Skalierung eine
Hough-Transformation gemacht: Wie man im Bild
sieht, kann man den gefüllten Kreis gut erkennen
bzw. die Koordinaten bestimmen.
Dass der (weisse) Kreis an den Rändern abgeschnitten
ist ändert nichts an der guten Erkennbarkeit.
Ich habe mal von dem 'preprocessed' Bild ne Hough Transformation
gemacht, da findet man die Kreise wunderbar und ohne jede Schwierigkeit.
Und es entstehen wieder diese schönen, zarten, feengleichen Bilder der
Houghräume ;-) .
Hough ist für die Aufgabe geschaffen, es gibt auch Houghvarianten für
Ellipsen.
Matlab Code anbei, der läuft bei mir paar Sekunden, eine Schleife kann
man auch noch rausschmeissen, ist mir aber wg. Müdigkeit nicht mehr
gelungen.
War großer Spaß.
Gute Nacht
Cheers
Detlef
Das sieht gut aus, allerdings kam ich bei mir nicht dahin. Gfs mache ich
auch was Falsch. Aber: Mir stellt sich die Frage, wie Du die Kreisgröße
bestimmst. Schätzen ist ganz gut, das kann ich aber bei mir nicht
machen. Denkbar wären verschiedene Annahmen. Muss jetzt erstmal Deinen
Code inspizieren.
Nach der Hough-T braucht es aber auch nochmals einen Schritt, um die
Schwerpunkte zu finden und die korrekten Radien zu bestimmen. Wenn die
Bilder erst einmal so vorprozessiert sind, kann man die Punkte auch mit
einer allgemeinen Ellipse fitten. Lage, Orientierung und Durchmesser
kommen dann automatisch bei raus. Es müssen eben zuvor nur
zusammenhängende Punkte selektiert und Gewichtungen für die lineare
Optimierung bestimmt werden.
Wenn man die Lage und die Form einmal ungefähr hat, kann man das von
Bild zu Bild machen unter Ausnutzung der Parameter und Fenster aus dem
Vorbild. Die neue (leicht veränderte) Lage und die Position bekommt man
dann am Ende des Frames. Geht in einem FPGA komplett in Echtzeit in
einem einzigen Durchlauf. Mit etwas Intelligenz lassen sich beliebig
viele matcher aufsetzen, die mehrere Objekte on the fly finden und
verfolgen. Das Problem ist dann nur, die matcher profiles randseitig
passend virtuell zu maskieren, damit sie auch für Objekte mit
teilerhobenen Abbildungen passen.
Detlef _a schrieb:> Und es entstehen wieder diese schönen, zarten, feengleichen Bilder der> Houghräume ;-) .
Ich sag's doch immer: So schön kann Mathe sein.
Und noch mein Senf:
1. Glätten
2. Sobel-Filter
3. Fast Radial Symmetrie Transformation (wurde hier noch nicht genannt)
4. Morphologische Operationen
5. Schwerpunkte von den Elementen im Ergebnisbild bestimmen.
>> Aber: Mir stellt sich die Frage, wie Du die Kreisgröße bestimmst.
Guter Punkt. Ich hatte sie per Hand aus den Bildern geschätzt, bei dem
großen Kreis hatte ich mich auch verschätzt wie man an dem Houghraum
sieht. Je 'schärfer' die peaks werden umso besser triffst Du den Radius.
Ich hatte mal sowas für einen Pupillentracker programmiert, da habe ich
einen kleineren und einen größeren Kreisradius mitberechnet und gekuckt,
wer besser paßt und ggf. nachgezogen, ging ganz gut. Gibts tonnenweise
Veröffentlichungen zu.
Cheers
Detlef
Georg B. schrieb:> Mir stellt sich die Frage, wie Du die Kreisgröße> bestimmst.
Ganz einfach: Die HT dient ja zur Abschätzung von
Parameter, d.h. je Parameter hast du eine HT-Dimension.
Bei dir sind es also X,Y und Radius, d.h. 3 Dimensionen.
Als Resultat bekommst du damit ein Volumen (und nicht
wie hier in den Bildern eine 2D-HT).
Für den Anfang ist es aber besser, zu einem geg.
Bild den Radius zu schätzen und sich die 2D-HT zu
betrachten.
Unterschied mein Bild/Detlef's Bild: Bei meinem Bild
habe ich keine Kreislinien-Transformation gemacht,
Detlef's HT dagegen ist die HT der Kreislinien,
gut zu erkennen an den feinen Liniengespinnsten
(das hängt aber auch vom Algorithmus ab, ist wie
bei GPU-Texture-Mapping, wo ich von Def-Raum in
Bild-Raum oder aber auch treibend vom Bild-Raum
aus dem Def-Raum Farb-Infos berechne/ziehe. Der
2. Ansatz auf die HT angewendet eliminiert diese
Gespinnste und du bekommst eine glatte Fläche).
Parameter schätzen: Ist auch wieder eine schwierige
Aufgabe, aber wenn das (oft sehr glatte!) HT-Bild
patchweise polynom. approximiert wird, dann lässt
sich leicht an den Maxima der Parameter abschätzen,
oder aber auch an der Qualität der Maxima (Stichwort
Steigung) abschätzen, ob das Objekt gut oder schlecht
geschätzt werden kann.
Gäbe es eine Möglichkeit, die Grösse direkt zu ermitteln oder brauche
ich zwei Ergebnisse mit zwei Annahmen um dann je nach Güte des
Ergebnisses die Mitte zu finden?
Nicht Bruteforce HT sondern
ein Ransac-HT-Mixmax:
1. Kantenpunkte suchen
2. Kreis aus jeweils 4 zufällige Kantenpunkten bestimmen
3. Mit den Kreisparametern den Houghraum füllen
4. Wiederholen ab 2., wenn noch keine 2 Häufungen erkennbar sind
5. 2 x Kreis fitten
alternativ, mehr Ransac:
1. Kantenpunkte suchen
2. Kreis aus jeweils 4 zufällige Kantenpunkten bestimmen
3. Mit den Kreisparametern den Houghraum füllen
4. Wiederholen ab 2., wenn noch keine Häufungen erkennbar ist
5. Kreis fitten
6. Alle Ktenpunkte wegschmeißen, die nicht zum Kreis gehören
7. Wiederholen ab 2. für 2.Kreis.
So würde ichs machen:
1. Kantenpunkte suchen
2. Kreis aus jeweils 4 zufällige Kantenpunkten bestimmen
3. Nur Kreismittelpunkt 2D Array füllen
4. Wiederholen ab 2., wenn noch keine N Mittelpunkte in max delta r
entfernung.
5. Häufung der Abstände der Kantenpunkte zum Mittelpunkt bestimmen = r
6. Kreis fitten
7. Alle Ktenpunkte wegschmeißen, die nicht zum Kreis gehören
8. Wiederholen ab 2. für 2.Kreis.
Grüße
Schiko
Hallo Schiko,
nein, so geht das nicht.
3 Punkte (nicht 4) bestimmen einen Kreis. Wenn Du jetzt aus dem
schwarz/weiss Bild zufällig 3 Punkte auswählst und die Verteilungsdichte
der Radien der entstehenden Kreise darstellst, kommst Du für 100k
Punktetriplets auf die angehängte Kurve. Der Radius bei 175 ist nicht
vorhanden, der bei ca 375 ist verschoben. Das ist auch anschaulich: Es
ist relativ unwahrscheinlich, 3 'gute' punkte zu treffen, das Rauschen
des Binärbildes 'verwischt' vorhandene peaks. Ausserdem ist das kein
Verfahren, das linear mit der Anzahl der Punkte wächst sondern in der
dritten Potenz, sowas taugt in der Regel nichts.
Gute Nacht
Detlef
clear
M=imread('c:\\matlab\\myfiles\\powersolutioncloudpostprocessed.jpg
','jpg');
M=double(M);
kkr=350/2; % kleiner Kreis Radius
gkr=750/2; % grosser Kreis Radius, beide geschaetzt
M=M/max(max(M));
M1=M>0.9;
ind=find(M1==1);
n=size(M1);
nzei=n(1);nsp=n(2);
M2=zeros(size(M1));
%for(k=1:length(ind))
% M2(rem((ind(k)-1),nzei)+1,fix((ind(k)-1)/nzei)+1)=1;
%end;
ind=[(rem((ind-1),nzei)+1) fix((ind-1)/nzei)+1];
n=length(ind)-1;
rrr=zeros(1,2000);
nnn=100000;
for(nn=1:nnn)
nnn-nn
x1=ind(fix(n*rand(1)+1),:);
x2=ind(fix(n*rand(1)+1),:);
x3=ind(fix(n*rand(1)+1),:);
n1=x1-x2;
n1=n1/norm(n1);
n2=x1-x3;
n2=n2/norm(n2);
xx=inv([n1 ; n2])*[n1*(x1+x2)'/2;n2*(x1+x3)'/2];
rr=norm(xx'-x1);
rr=fix(rr);
if(rr>0) if (rr<2000)
rrr(rr)=rrr(rr)+1;
end;end;
end;
return
Detlef _a schrieb:> nein, so geht das nicht.> 3 Punkte (nicht 4) bestimmen einen Kreis.
Solange Du nur die 4 Punkte meinst, hast Du Recht,
der verdammte Auslug ins Flächenland.. ;-)
ansonsten nicht.
> Wenn Du jetzt aus dem> schwarz/weiss Bild zufällig 3 Punkte auswählst und die Verteilungsdichte> der Radien der entstehenden Kreise darstellst, kommst Du für 100k> Punktetriplets auf die angehängte Kurve. Der Radius bei 175 ist nicht> vorhanden, der bei ca 375 ist verschoben. Das ist auch anschaulich: Es> ist relativ unwahrscheinlich, 3 'gute' punkte zu treffen, das Rauschen> des Binärbildes 'verwischt' vorhandene peaks. Ausserdem ist das kein> Verfahren, das linear mit der Anzahl der Punkte wächst sondern in der> dritten Potenz, sowas taugt in der Regel nichts.
Das habe ich auch nicht beschrieben.
1. Kantenpunkte ermitteln(!), die "weißen" Punkte aus
powersolutioncloudpostprocessed.jpg o.ä.
Gradientenermittlung wie auch immer gefiltert.
Aus ein paar(!) Durchläufen, nicht hunderten oder tausenden,
mit 3 zufälligen Punkten aus dieser Menge
hast Du ratzfatz die "ungefähren" gesuchten Mittelpunkte oder Radien.
Dito
Gutu Nacht
Schiko
Michael Schikora schrieb:> Aus ein paar(!) Durchläufen, nicht hunderten oder tausenden,> mit 3 zufälligen Punkten aus dieser Menge> hast Du ratzfatz die "ungefähren" gesuchten Mittelpunkte oder Radien.
Worin siehst Du den Vorteil dieser iterativen Methode? Das ergibt doch
auch nur eine Reihe von statistischen Werten, die man dann wieder
mitteln/filtern müsste. Das geht doch mit einer linearen Optimierung
direkt, zumal, wenn man es mit einem DSP oder Microcontroller machen
kann.
Anbei ein Bild mit einem fit von 32 Punkten, die "weiss genug" und
"genügend gut zusammenhängend" und "ausreichend gut verteilt" sind. Das
kann man problemlos auf 64 Punkte ausdehnen, um es weiter zu
stabilisieren. Mit einem modifizierten Gauss-Verfahren in
Determinanten-Struktur ist das ein Leichtes, das zu fitten. Um es
konkret zu machen, brauchte vor ziemlich geau 20 Jahren ein MS-DOS 16
Bit-Programm (MS-DOS 6.0) mit dem sogenannten "huge memory model" (was
waren das Zeiten) auf einem 486DX33 aus der Erinnerung heraus rund 3
Sekunden :-)
Ich meine, das packt heute sogar ein AVR schneller, oder?
Nachtrag:
Als Idee, ließe sich die Optimierung im vorliegenden Fall sogar direkt
auf den 3-dimensionalen Raum ausdehnen.
Leider ist es mir komplett entgangen, daß es hier noch weitergegangen
ist. Muss mal die Benachrichtigung einschalten, denke ich.
Mich würde es interessieren, wie man das fitting optimieren kann.
Die Diskussion war wohl die, ob man drei oder 4 Kreise nimmt. Nach
meinem Verttändnis wäre mehr beser. Als fit braucht man keine exakte
Kreisgleichung, sondern eine linear Optimierung.
Wie wirft man unsinnige Werte aus der Gleichung?
Indem Du mit einer geeigneten Strategie prüfst, ob das, was 3 Punkte an
"Kreis" vortäuschen, einigermaßen zum 4. passt. Man darf auch gerne 5
Punkte nehmen und schauen, ob der 6. passt.
Die frage ist, wie man die Aspekte: "das, was einige vorgeben", "Kreis"
und vor allem "Passen" im Detail weich und zugleich hart genug
formuliert. Mit etwas Geschick kann man das so formulieren, das man
keine Iteration benötigt, sondern nur eine Mischung aus
Mehrheitsentscheid und Statistik (Minimedian). Gerade dieses: "das, was
einige vorgeben", spannt nämlich nehr, als eine Lösung auf, was ein
zweidimensionales Optionsfeld für die diskrete Entscheidung "passt" und
"in DIESEN Kreis" zur Folge hat.
Sowas kann man interativ in C formulieren, validieren, vereinfachen und
sogar in eine Pipeline ausrollen, um sie in einen FPGA zu stopfen, der
alle Entscheidungen in einem Takt je Datenpunkt fällt und Punkte zulässt
oder nicht. Geht dann mit dem Horizontaltakt eines Video :-)
Die Geschichte geht auch in solche Fragestellungen nach noch deutlich
komplexeren Strukturen rein, insbesondere, wenn die Vorgabemenge etwas
komplizierter (mehr Rauschen, Fehlbelichtung etc) ist, als in diesem
Beispiel:
Beitrag "Re: Bildverarbeitung; Skeleton-Berechnung"
Jürgen S. schrieb:> Indem Du mit einer geeigneten Strategie prüfst, ob das, was 3 Punkte an> "Kreis" vortäuschen, einigermaßen zum 4. passt. Man darf auch gerne 5> Punkte nehmen und schauen, ob der 6. passt.
Wie unterscheidest Du, wenn zwei Kreise existieren? Ich meine, man kann
eigentlich immer einen Kreis durch 3 Punkte legen. Also könnte man A.B.C
nehmen und dann D verwerfen. Oder man nimmt B.C.D. und verwirft A.
?
Du würdest prüfen, welcher der 3er-Kombinationen zu ähnlichen Kreisen
führen. Das wäre ja das Kriterium für die richtigen Punkte, bzw für die,
die man verwerfen müsste.
Nach längerer Zeit ein kleines update:
Es wurden am Ende bis zu 16 Punkte verwendet, um Kreisgleichungen zu
definieren und zu lösen, weil die Rechenpower vorhanden war und die
Aufgabe es auch nötig machte, besonders bei weitgehend verrauschten
Bildern.
Wie werden die Punkte zuvor unterschieden, um sie überhaupt den Kreisen
zuzuordnen? Es dürfen ja nur solche Punkte mit in die
Ausgleichsrechnung, welche zu einem Kreis gehören und nicht etwa zu dem
anderen.
Was passiert mit Punkten, die zu beiden Kreisen gehören (können)?
powersolutioncloud.jpg
(130 KB)
