Szegedi Tudományegyetem. {mkatona, Absztrakt. Az automatikus azonosítás egyik legfontosabb és széles körben
|
|
- Petra Mezeiné
- 6 évvel ezelőtt
- Látták:
Átírás
1 Vonalkódok és természetes vizuális azonosítók felismerése valós időben Katona Melinda és Nyúl László Szegedi Tudományegyetem Képfeldolgozás és Számítógépes Grafika Tanszék {mkatona, Absztrakt. Az automatikus azonosítás egyik legfontosabb és széles körben alkalmazott eleme a vizuális kódokkal történő azonosítás, mely a kereskedelmi folyamatoknak szinte elválaszthatatlan része (pl. UPC vonalkódok), és a mobil kommunikációnak köszönhetően a hétköznapi életben is egyre elterjedtebb (pl. QR kódokba ágyazott webcímek és leírások). A különböző szimbólumokkal megjelenített azonosítók teszik lehetővé a gépek számára az elektronikus leolvasást, ami nagyban segíti és gyorsítja az információ áramlását pl. a bolti pénztáraknál, raktári átvételnél, nagy sebességű feldolgozási helyeken pl. futószalagokon. Ismertetünk egy új, saját fejlesztésű algoritmust 1D-s kódok detektálására, valamint egy másik új, saját eljárást QR kódok megtalálására. Bemutatásra kerül egy konkrét gyakorlati azonosítási probléma megoldására kidolgozott saját eljárás is. 1. Bevezetés A vonalkódos azonosítás széles körben elterjedt a mindennapi életünkben és számos eljárás létezik azok gyors és megbízható azonosítására. A kódok lokalizálására, az alkotó komponensek pozícióinak és jellemzőinek meghatározására a legtöbb eljárás automatikus képszegmentálási technikát alkalmaz. Jelen közleményünkben mesterséges és természetes kódok szegmentálásával is foglalkozunk. A vonalkódok az emberek számára nem olvashatók, ezt az erre alkalmas dekódoló eszközök valósítják meg. A vonalkódok leggyakoribb felhasználási területe a kereskedelem, például az áruk csomagolásán, amely lehetővé teszi az áru adatainak, úgy mint a gyártó ország, a gyári szám és a termék cikkszáma gyors azonosítását. A jelekkel megjelenített azonosító számok teszik lehetővé a gépek számára az elektronikus leolvasást, ami nagyban segíti és gyorsítja az információ áramlását. A különböző vonalkódtípusok sajátos jellemzőkkel rendelkeznek, melyek segítik a lokalizálásukat. Az 1. ábra a főbb 1D-s és 2D-s kódokat szemlélteti. A vonalkód lokalizáló eljárások megítélésének két fő szempontja a sebesség és a hatékonyság. Ipari környezetben a hatékonyság kritikus tényező, egy-egy hibás detektálásnak komoly költségvonzatai lehetnek. A feldolgozási sebesség a detektor jóságának másodlagos elvárt összetevője. Mobil készülékek esetében
2 2 Katona Melinda és Nyúl László 1. ábra: Főbb vonalkód típusok (balról jobbra). Felső sor (1D kódok): Code39, Codabar, Code128, UPC-A; Középső sor (1D kódok): UPC-E, EAN-13, EAN-8, I2of5; Alsó sor (2D kódok): Codablock, PDF417, Data Matrix, QR. a hatékonyság kevésbé kritikus azóta, amióta a felhasználó és a telefon interakcióban vannak egymással, és így újabb és újabb felvételek készíthetők a detektálni kívánt kódról. Ez esetben egy gyors procedúra a kívánatos. Számtalan technika létezik a vonalkódok digitális képekről való lokalizálására és dekódolására a vonalszkenneléstől [1, 7] a morfológiai megközelítéseken keresztül [2 5] a konvex burkon át [6] egészen a waveletekig [12]. 2. Algoritmusok A digitális képek minősége manapság kevésbé kifogásolható, bár készülnek gyenge minőségű felvételek is. A minőségromlás oka pl. lehet maga a digitalizáló eszköz, illetve a környezet okozta nehézségek. Mindezek miatt gyakran szükséges a feldolgozás első lépéseként a kép minőségének javítása a konkrét elemzés előtt D vonalkódok detektálása mintaillesztéssel Ebben a fejezetben bemutatjuk egy új, saját fejlesztésű algoritmusunkat 1D-s vonalkódok lokalizálására. Az algoritmus alapjául a mintaillesztés szolgál. Az eljárást összefoglaló folyamatábra a 2. ábrán látható, a fontosabb lépések részeredményeit pedig a 3. ábra illusztrálja. Az újramintavételezést követően a kapott RGB képet L*a*b* színtérbe konvertáljuk. A későbbi feldolgozásban már csak az L* (fényesség) csatornát használjuk és az így kapott többszintű képpel dolgozunk. A bemenetként kapott képek nem ideálisak, emiatt a képet élesítjük (3(b) ábra). A detektálás folyamata bináris képek elemzésére épül, ezért az élesített képet egy globális küszöbértéket meghatározva binarizáltuk (3 (c) ábra). A képek minőségét zaj is ronthatja. A binarizált képen ezek kiszűrésére előbb méret alapú küszöbölést, majd az objektumok téglalapalakúságát is vizsgáltunk. A
3 Vonalkódok és természetes vizuális azonosítók felismerése valós időben 3 2. ábra: A vonalkód lokalizáló eljárás folyamata mintaillesztéshez előkészített képet a 3(d) ábra illusztrálja. Annak analógiájára, hogy a kód sávjai párhuzamosak, az illesztéshez használt minta is két párhuzamos fekete sávot tartalmaz. A sablonillesztéshez a bemeneti szürkeárnyalatos kép és az illesztendő minta Fourier térben vett képét felhasználva ezeknek pontonkénti szorzata határozza meg az illeszkedés mértékét. A mintát 170 -ig 10 -onként tekintve és mindezek összegezett eredményét vettük figyelembe a további feldolgozásban, tehát 17 i=0 F F T (I) F F T (R i T ), (1) ahol I az input kép, R i (0 i 17) az aktuális forgatómátrix, T az illesztendő képet jelöli, F F T -vel pedig a gyors Fourier transzformációt jelöljük. Mivel a használt minta szimmetrikus, elegendő csak a [0, 180 ) tartományban vizsgálni a minta illeszkedését. A kapott összegképet az átlaggal küszöböltük, majd az így kapott objektumok középpontjainak koordinátáit eltároltuk. Az egy klaszterbe tartozó pontok jól elkülönülnek, így a megadott képre távolságtérképet számoltunk (3(e) ábra). Annak meghatározására, hogy az adott objektum területén az eredeti képen vonalkód helyezkedik-e el, előbb az eltárolt illesztésből eredő középpontokat háttérpontokként definiáltuk újra a küszöbölt képen (3(g) ábra). A priori ismeretként szolgált, hogy egy vonalkód legalább
4 4 Katona Melinda és Nyúl László (a) (b) (c) (d) (e) (f) (g) (h) (i) (j) (k) (l) 3. ábra: Az 1D vonalkód detektálására javasolt módszer köztes lépései. (a) input kép, (b) élesítés után, (c) binarizálás, (d) téglalap alakúság vizsgálat, (e) távolságtérkép, (f) küszöbölt távolságtérkép, (g) illesztett pontok az objektumokban, (h) lyukak szerinti küszöbölés, (i) a (d) eredményképe dilatáció után, (j) a (h) utáni illeszkedő objektumok az (i) képen, (k) morfológiai nyitás, (l) detektált kódok nyolc sávból áll, ezért csak azon objektumokat tartjuk meg, melyek legalább ennyi háttérpontot tartalmaztak. Ennek a szűrésnek az eredményét láthatjuk a 3(h) ábrán. A következő lépésben az eredeti kép binarizált változatán, amit már korábban megadtunk, egy négyzet alakú, 2x2-es méretű szerkesztőelemmel nyitást alka-
5 Vonalkódok és természetes vizuális azonosítók felismerése valós időben 5 lmaztunk. Erre a lépésre azért volt szükség és azért ilyen kicsi szerkesztőelemmel, hogy az összetartozó régiók valóban összeérjenek, de hamis szegmensek ne olvadjanak össze. A 3(i) ábra szemlélteti ezt a lépést. A meglévő háttérpontok koordinátáit felhasználva a dilatált képen csak azon objektumokat tartottuk meg, melyeknek az adott koordinátapontján objektumpont helyezkedett el (3(j) ábra). A kapott eredményképen az egyes vonalkódot alkotó sávok jól elkülöníthetők. Ahhoz, hogy ezek egy egységként jelenjenek meg, morfológiai nyitást alkalmaztunk négyzet alakú szerkesztőelemmel, melynek méretét annak függvényében határoztuk meg, hogy mekkora volt az egyes objektumokban a sávok közötti maximális távolság. Ezáltal biztosított, hogy minden vonalkódot alkotó sáv egy önálló régiót alkosson. Ezt szemlélteti a 3(k) ábra QR kódok detektálására javasolt módszer A következőkben bemutatjuk egy új, saját fejlesztésű eljárásunkat a 2-dimenziós QR kódok detektálására. Az eljárás főbb lépéseit összefoglaló folyamatábra a 4 ábrán, a főbb lépések részeredményei pedig a 5. ábrán láthatók. 4. ábra: A QR kódok detektálásának folyamata Az újramintavételezést és a kvantálást követően a többszintű képen lokális szűrést végeztünk, melyben az adott pixelpozíció 3 3-as környezetében az intenzitásértékek szórása adja a szűrt képen az adott pixel értékét. Ezek az értékek [0, 1] intervallumba normáltak (5(b) ábra). Ebből egyszerű küszöbölési technikával bináris képet állítottunk elő (5(c) ábra). A küszöbértéket az intervallum felénél határoztuk meg. A kapott bináris képet felhasználva az eredeti szürkeárnyalatos képen minden olyan pixel intenzitásértékét 0-ra módosítottuk, ahol a bináris képen objektumpontot találtunk(5(d) ábra) segítve ezzel a további feldolgozást.
6 6 Katona Melinda és Nyúl László (a) (b) (c) (d) (e) (f) (g) (h) (i) 5. ábra: A javasolt módszer köztes lépései. (a) input kép, (b) elválasztó vonal kirajzolása, (c) binarizálás, (d) intenzitásértékek módosítása, (e) morfológiai nyitás, (f) küszöbölt LoG szűrt kép, (g) postprocesszálás, (h)-(i) eredménykép Azért, hogy intenzitásértékben egy jól meghatározott környezetben a pixelértékek minimális vagy maximális szürkeségi értéket vegyenek fel, és ezáltal elősegítsék az összetartozó szegmensek szegmentálását, többszintű morfológiai nyitást végeztünk. Az így kapott képen a QR kód terület jól láthatóan elkülöníthető, ahogy a 5(e) ábrán is látható. A következő lépésben egy LoG (Laplacian of Gaussian) szűrést hajtottunk végre, amit egy küszöbölés követett, mivel a feldolgozás későbbi lépéseiben már bináris képpel dolgoztunk tovább (5(f) ábra). A nem szorosan összetartozó szegmensek elválasztása céljából egy kisebb szerkesztőelemmel morfológiai eróziót hajtottunk végre (5(f) ábra). A további műveletek sorozata felfogható egyfajta utófeldolgozásnak. Minden olyan objektumpontot megtartottunk a szűrt képből, ahol a különböző jellemzők vizsgálata után kapott kép is objektumpontot tartalmazott. A 5(g) ábra illusztrálja ennek a műveletnek az eredményét. Az (1) formulát alkalmazva, majd az ott leírt küszöbölést felhasználva kiszűrtük a valósnak vélt vonalkód területeket. QR kódok esetében nem szimmetrikus sablont használtunk, de elegendő volt az 1D-s esethez hasonlóan egy sablonnak az elforgatottjait vizsgálni. A 5(h) és 5(i) ábra a kapott eredményképeket mutatja.
7 Vonalkódok és természetes vizuális azonosítók felismerése valós időben 7 3. Kiértékelés Ebben a fejezetben a bemutatott saját algoritmusok, valamint a szakirodalomban közölt eljárások hatékonyságát vetjük össze adott jellemzők mellett. A későbbiekben az egyes algoritmusokra való hivatkozáshoz betűszavakat vezettünk be, melyek a következõk: LINB (Lin és Lin alapvető képműveleteket használó eljárása) [8], LINM (Lin és Lin futáshosszok számításán alapuló eljárása) [9], OHBUCHI (Ohbuchi et al. lokális küszöbölésen alapuló eljárása) [10] valamint Saját1D és SajátQR az általunk kidolgozott új algoritmusok 1D-s ill QR kódok detektálására. A [5] cikkben közölt algoritmusunk hatékonyságát is vizsgáltuk, a Saját1D betűszó alatt 2012 évszámmal jelezve Teszthalmaz, tesztkörnyezet, implementáció Digitálisan tesztképeket generáltunk a 1. ábrán bemutatott 1D-s vonalkódtípusokat alapul véve. Mindehhez elegendő volt a különböző kódokból egyet-egyet kiválasztani. A tesztképek egy darab vonalkódot tartalmaznak és különféle torzításokkal terheltek. A generált képeink a következő tulajdonságokkal rendelkeznek: a képeket 15 -onként elforgattunk 0 -tól 180 -ig, Gauss elmosást alkalmaztunk 3 3- as szerkesztőelemmel és 6 különböző σ-val, valamint additív zajt is adtunk a képekhez 10%-os léptékkel a 0% és 50% közötti intervallumban. Összegezve tehát 8 különféle típusú vonalkódból 12 orientációban, 6 különböző simítású Gauss szűrővel és 6 eltérő mértékű additív zajjal terhelve, perspektív torzulással, összesen közel képet generáltunk. További 4220 vonalkódot tartalmazó valós életbeli képet is felhasználtunk a The WWU Muenster adatbázisból. Ezen képeken semmiféle manipulációt nem hajtottunk végre, de eleve torzításokkal terheltek, nem ideálisak. A 6. ábrán látható néhány különböző torzítással terhelt generált és valós tesztkép. 6. ábra: Generált minta 1D tesztképek különböző torzítások mellett, valamint valós példák
8 8 Katona Melinda e s Nyu l La szlo A QR ko d detekta lo algoritmusok kie rte kele se hez megle vo ke pi adatba zisokat haszna ltunk. Egy ko zel 1400 valo s tesztke pbo l a llo adatba zis [11], valamint szintetikus tesztke p a llt a rendelkeze su nkre. A 7. a bra n szintetikus e s valo s ke pek la thato k a teszthalmazokbo l. 7. a bra: Valo s e s szintetikus QR ko dokat tartalmazo tesztke pek 3.2. Metrika k Az algoritmusok hate konysa ga nak me re se re a Jaccard-fe le hasonlo sa gi egyu tthato t vettu k alapul, ahol a te nyleges e s a detekta lt ko dre gio k befoglalo te glalapja nak a tfede se t vizsga ltuk. Azon egyedek fognak true pozitı v pe lda nak megfelelni, teha t valo s ko dteru letnek bizonyulni, melyekne l a detekta lt objektum legala bb 90%-ban fede sben a ll az elo re meghata rozott teru lettel. Minden olyan objektumot hamis pozitı v pe lda nak tekintu nk, mely detekta lt, de enne l kisebb, vagy egya ltala n nincs fede sben semmilyen vonalko d teru lettel. Hamis negatı v pe lda k lesznek azok, melyek ugyan vonalko d teru letek, de az algoritmus nem detekta lta o ket. Az eredme nyek ismerete ben mega llapı thato, hogy az o sszes vizsga lt algoritmus hate konyan ke pes vonalko d detekta la sra. Kora bban emlı tettu k, hogy a genera lt tesztke pek ku lo nbo zo me rte ku hozza adott zajt, simı ta st, elforgata st, nyu jta st, illetve perspektı v torzula st tartalmaznak. Az elforgata s, nyu jta s, perspektı v torzula s nem e rinti az ege sz ke pet, csak a vonalko dot. A tapasztalat azt mutatta, hogy az elja ra sok az elforgata sra, nyu jta sra, e s perspektı v torzula sra invaria nsak, eze rt a tova bbiakban csak a zaj e s a simı ta s jellemzo k hata sa t vizsga ljuk.
9 Vonalkódok és természetes vizuális azonosítók felismerése valós időben Eredmények Az 1D vonalkód detektáló eljárások összehasonlításának eredményeit a 1. táblázatban, míg a futási időket a 2. táblázatban foglaltuk össze, a szintetikus és a valós képhalmazokra lebontva. Megállapítható, hogy mindegyik vizsgált eljárás gyorsan képes detektálni a vonalkód szegmenseket és a sebességbeli szórás sem számottevő. A QR kódokat detektáló eljárások összehasonlításának eredményeit a 3. táblázat, míg a futási időket a 4. táblázat mutatja. Az 1D-s esethez képest az algoritmusok kisebb hatékonysággal képesek detektálni a kívánt területet, ugyanakkor még ez az eredmény is elfogadható. Látható a 3. táblázatban, hogy közel ugyanakkora hatékonysággal képesek a valós tesztképeket detektálni, mint a szintetikusakat. OHBUCHI algoritmusa láthatóan nagyon gyors, ugyanakkor elmondható, hogy ennek a gyorsaságnak az ára (nem meglepő módon) a hatékonyság csökkenése. Az eredményekből látszik, hogy az összehasonlításban szerepeltetett mindegyik (különböző alapelven működő) vonalkód detektáló algoritmus hatékony, de a javasolt új módszereink mutatták a legnagyobb hatékonyságot. 4. Képfeldolgozó eljárás egy hibrid vizuális kód felismerésére Egy olyan lehetséges hibrid vizuális kódot mutatunk be, melyben egy jól definiált mesterséges azonosító (egy QR kód) és egy mesterséges úton előállított (szórt részecskék alkotta) természetes mintázat jelenik meg egy közös képtérben. A továbbiakban ezen hibrid azonosítóra az NFI (Natural Feature Identifier) betűszóval hivatkozunk. A mesterséges és természetes azonosító kombinációjával adott címke közepén egy megadott méretű standard QR kód helyezkedik el, mely releváns adatot kódol. A QR kód környezetében véletlenszerűen szétszórt glitterek helyezkednek el, egy meghatározott vastagságú és színű keretben. A glitterek száma, színe, mérete, alakja, pozíciója nem kötött, tekinthetők random mintáknak is. A 8. ábrán látható ezekre néhány példa. A címkék nyomdai úton készülnek és felhelyezés után roncsolódás nélkül nem távolíthatók el. A nyomdai műveletsor egy lépésében a címkékről referenciakép készül ideális fényviszonyok és kamerapozíció alkalmazásával. A feladat mobil eszközzel fényképezett biztonsági címkék adott részén véletlenszerűen elhelyezkedő részecskék helyének meghatározása alapján a címkével megjelölt objektumok azonosításának támogatása. Az algoritmusnak átlagos mobilkészülékkel készült képeken kell dolgoznia, mely torzításokat tartalmazhat. Elvárás továbbá, hogy egy kép feldolgozása valamint a kód ellenőrzése mobil eszközön is rövid idő alatt (< 1.5 s) elvégezhető legyen. Az alapprobléma három lépésre bontható: képalkotás, képfeldolgozás, azonosítás. A képalkotás, vagyis az NFI címkéről történő fénykép készítése a mobil eszköz standard beépített funkcióival elvégezhető. A képfeldolgozás rész végzi a
10 10 Katona Melinda és Nyúl László 1. táblázat: Az algoritmusok hatékonysága (H), lefedettsége (L), valamint pontossága (P) (százalékban) valós és szintetikus 1D kódot tartalmazó tesztképeken LIN Saját1D LINB LINM H P L H P L H P L H P L szintetikus valós táblázat: Az algoritmusok futási ideje (átlag (sec) ± szórás) LIN Saját1D LINB LINM szintetikus ± ± ± ± valós ± ± ± ± táblázat: Az algoritmusok hatékonysága (H), lefedettsége (L), valamint pontossága (P) (százalékban) valós és szintetikus QR kódot tartalmazó tesztképeken OHBUCHI LINM SajátQR H P L H P L H P L szintetikus valós táblázat: Az egyes eljárások futási ideje (átlag (sec) ± szórás) OHBUCHI LINM SajátQR szintetikus ± ± ± valós ± ± ± 1.346
11 Vonalkódok és természetes vizuális azonosítók felismerése valós időben ábra: Mintaképek az NFI címkék prototípusára különféle torzítások mellett nyers fényképeken a címke területének megtalálását, a címke részét képező QR kód detektálását, az NFI régió behatárolását, a glitterek detektálását, továbbá a glitterekhez a képből kinyerhető leírók meghatározását. Az azonosítás, hitelesítés a képfeldolgozó fázisból kapott leíró adatsorok alapján végzi el az aktuális képen látható címke összevetését a referencia adatokkal. E lépés végén kaphatunk egy egyszerű igen/nem döntést, vagy valami megbízhatósági értéket arra vonatkozóan, hogy az adott címke eredeti (hiteles) vagy sem. Ebben a cikkben a képfeldolgozási feladatra szorítkozunk A felismerés képfeldolgozási szakasza A címke specifikációjától függően különböző képfeldolgozási megközelítések képzelhetőek el. A mi megközelítésünk fontosabb lépései az alábbiak: 1. QR kód helyzetének és orientációjának meghatározása 2. A glittereket tartalmazó zóna behatárolása és glitterek detektálása 3. Jellemzők kinyerése A QR kód elég jellegzetes mintázat (a kódolt tartalomtól függetlenül), ezért ennek detektálása közvetlenül is történhet a teljes képen. Mivel szükségtelennek bizonyult az eredeti (viszonylag nagy felbontású) képméret használata, ezért először újramintavételezzük a képet, így lényegesen redukálva a feldolgozandó képpontok számát és ezzel a feldolgozási időt. Egy alkalmas méretnek a 450 pixel széles felbontást választottuk (a kép magassága pedig az aktuális képaránynak megfelelően alakul, hiszen a kamerák eltérő arányokkal dolgozhatnak). Ezt követően a kapott RGB képet L*a*b* színtérbe konvertáljuk. A későbbi feldolgozásban már csak az L* (fényesség) csatornát használjuk. A tapasztalatok azt mutatták, hogy az RGB kép csatornáinak súlyozott összegével kapott
12 12 Katona Melinda és Nyúl László szürkeárnyalatos képnél, illetve a HSV színtérkonverziónál hatékonyabbnak bizonyult a L* csatorna használata. Az input képek nem ideálisak, adott esetben különféle torzításokkal terheltek, ezért valamiféle képjavító művelet elvégzése ajánlatos. A QR kód lokalizálásának további lépéseit az 1. algoritmus foglalja össze. Azáltal, hogy meghatároztunk a QR kód helyzetét, az orientációja is meghatározhatóvá vált. A helymeghatározás köztes eredményképei a 9. ábrán láthatók. 1. algoritmus. QR kód helyzetének meghatározása 1. lépés Kontraszt széthúzás 2. lépés f mo := f se 1 3. lépés LoG szűrés 4. lépés f me := f mo se 2 5. lépés for minden komponens do if főátló hossza > thresh a and köralakúság < thresh c then Lehetséges QR kód terület else Nem vonalkód terület, elvetjük endif endfor 6. lépés f me := f me se 3 Az így kapott képen meghatároztuk az objektum sarokpontjait, majd a kapott koordinátapontokat használtuk fel a rektifikált kép előállításához. Erre amiatt van szükség, hogy összehasonlíthatóvá válhassanak a későbbiekben az input kép glittereinek jellemzői a referencia adatbázisbeliekkel. A rektifikálás során a képet úgy transzformáljuk, hogy a QR kód valóban négyzet alakú területként jelentkezzen, mintha a kamera pontosan a címke síkjára merőleges irányból készítette volna a felvételt, ráadásul úgy, hogy a kép sorai és oszlopai párhuzamosak a QR kód fő irányaival. Ahhoz, hogy a vizsgált kép ténylegesen összemérhető legyen a referencia értékekkel, szükséges meghatározni a QR kód orientációját, vagyis, hogy a képen található QR kód hogyan helyezkedik el a tárolt pozícióhoz képest. Annak megadásához, hogy a tekintett QR kód, illetve glitterzóna milyen mértékben van elforgatva, feltételezzük, hogy a referencia adatbázisbeli QR kód a szokásos irányultsággal rendelkezik (a 3 fő lokátor minta a felső és baloldali sarkokban van). Az elforgatási szög megállapítása is több lépésben történik. A QR kód referenciapontjainak szegmentálását a 2. algoritmus ismerteti.
13 Vonalko dok e s terme szetes vizua lis azonosı to k felismere se valo s ido ben a bra: A QR ko d lokaliza cio ko ztes eredme nyke pei (sorfolytonosan): input ke p, kontrasztsze thu za st ko veto en, morfolo giai nyita s eredme nye, LoG szu re s, ku szo bo lt LoG szu rt ke p, nem o sszefu ggo teru letek sze tva laszta sa ero zio val, ko ralaku sa g szerinti, illetve fo a tlo szerinti ku szo bo le s 2. algoritmus. Referencia ne gyzetek pozı cio inak megada sa le pe s le pe s le pe s le pe s le pe s le pe s Adaptı v ku szo bo le s fcomp := f 1 Lyukfelto lte s Euklideszi ta volsa gte rke p sza mı ta sa fmc := fcomp se1 for i := 0,..., M do for j := 0,..., N do if fmc (i, j) > mina then fmc (i, j) 1 else fmc (i, j) 0 endif endfor endfor
14 14 Katona Melinda és Nyúl László A kapott eredmény tartalmazhat nem valós kód objektumokat is. Ezek kiszűrésére megalkottunk egy feltételrendszert. Mivel csak a kód területét vizsgáljuk, így több prior információ is adott. A kritériumok megadásánál az egyes szegmensek középpontjait tekintettük. Elegendő azon területeket megtartani, melyek x, y koordinátái maximális vagy minimális értékeket vesznek fel a többi centroid viszonylatában, illetve ahol ha az x, y párok közül az egyik minimális, akkor a másik maximális. Mindezek után már csak a fennmaradó objektumok középpontjait tekintjük és ezek egymáshoz viszonyított helyzetének vizsgálata megmutatja, hogy mely sarkokban található négyzet, amiből megkapható a QR kód orientációja. A folyamat lépései láthatóak a 10. ábrán. 10. ábra: A QR kód orientációját meghatározó lépések A QR kód helyzetének meghatározását követően az NFI zóna megtalálása a feladat. A specifikáció alapján adottak a QR kódot tartalmazó négyzet és a külső négyzet oldalainak valós méretei (milliméterben). Ebből a képen detektált QR régió méretének ismeretében egyszerű számítással meghatározható az NFI zóna területe a képen. A későbbi azonosításhoz szükséges még az NFI zóna középpontjának meghatározása a referencia koordináta rendszer megadásához. A képfeldolgozást igénylő feladatok utolsó lépése a behatárolt NFI zóna területén elhelyezkedő glitterek detektálása. Ezt adaptív küszöböléssel végezzük a képen. A tévesen detektált objektumok különféle alaki jellemzők alapján kiszűrhetők. Jelen algoritmusunk terület és köralakúság alapján tovább szűkítette a lehetséges valós glitterek számát. A folyamatot a 11. ábra szemlélteti Azonosítás A képekből kinyerhető információ lehetővé teszi, hogy a pontok párosításához jellemzők széles palettája álljon a rendelkezésre. A glittereket tartalmazó zóna koordinátázását mindkét irányban a [-1.0, 1.0] intervallumban határozzuk meg, a koordinátarendszer origója pedig a QR kódmező (és egyben az NFI zóna)
15 Vonalkódok és természetes vizuális azonosítók felismerése valós időben ábra: Glitterek szegmentálásának lépései középpontja. Ebben a koordinátarendszerben keresünk a vizsgált címkén detektált glitterekhez párokat a referencia képen talált glitterek között és a képből kinyert jellemzők alapján egy alkalmasan választott hasonlósági mérték alapján tudunk dönteni az NFI kód elfogadásáról vagy elutasításáról. 5. Összefoglalás Ismertettük két új, saját fejlesztésű algoritmust, egyet 1D vonalkódok felismerésére, míg a másikat a 2D QR kódokra. Ezeket összehasonlítottuk szakirodalmi algoritmusokkal, melyek között volt univerzális is (ami 1D és 2D kódtípusokat is hatékonyan detektál) és olyanok is, amelyek 1D vagy 2D kódtípusokra specializáltak. Az eljárások pontosságának és futási idejének vizsgálatára létrehoztunk egy közel és egy tesztképet magában foglaló adatbázist. Az eredmények azt igazolják, hogy az új, bemutatott algoritmusaink hatékonysága mindkét kódtípus esetében jobb, mint az összehasonlításban szereplő szakirodalmi módszereké úgy ideális, mint torzításokkal terhelt képek esetén is. A futási idők alapján jól látszik, hogy módszereinkhez valós idejű implementációk is készíthetők. Bemutattuk továbbá a vonalkódok és természetes azonosítók egy gyakorlati alkalmazását is, és vázoltuk algoritmusunkat egy lehetséges hibrid vizuális kód felismerésére. Köszönetnyilvánítás Az NFI azonosítók felismerésével kapcsolatos kutatást az InterSoft Hungary Ltd.-n belüli R&D projekt finanszírozta és minden kereskedelmi célú jog a támogató céget illeti. A kutatás részben a TÁMOP A/ azonosító számú Nemzeti Kiválóság Program - Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése országos program című kiemelt projekt keretében zajlott. A publikációt a TÁMOP A-11/1/KONV azonosító számú Telemedicina fókuszú kutatások Orvosi, Matematikai és
16 16 Katona Melinda és Nyúl László Informatikai tudományterületeken (TOMI) című projekt támogatta. A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg. Irodalom 1. Robert Adelmann. Toolkit for bar code recognition and resolving on camera. In Phones - Jump Starting the Internet of Things. In: Informatik 2006 workshop on Mobile and Embedded Interactive Systems, Péter Bodnár and László G. Nyúl. Efficient barcode detection with texture analysis. In Signal Processing, Pattern Recognition, and Applications, Proceedings of the Ninth IASTED International Conference on, pages 51 57, Péter Bodnár and László G. Nyúl. Improving barcode detection with combination of simple detectors. In Signal Image Technology and Internet Based Systems (SITIS), 2012 Eighth International Conference on, pages , Melinda Katona and László G. Nyúl. A novel method for accurate and efficient barcode detection with morphological operations. In Signal Image Technology and Internet Based Systems (SITIS), 2012 Eighth International Conference on, pages , Melinda Katona and László G. Nyúl. Efficient 1D and 2D barcode detection using mathematical morphology. In Mathematical Morphology and Its Applications to Signal and Image Processing, volume 7883 of Lecture Notes in Computer Science, pages Suran Kong. QR code image correction based on corner detection and convex hull algorithm. Journal of Multimedia, 8: , Jian-Hua Li, Yiwen Wang, Yi Chen, Meng Zhang, Guo-Cheng Wang, and Ping Li. Morphological segmentation of 2-D barcode gray scale image. JCP, 8: , Daw-Tung Lin and Chin-Lin Lin. Multi-symbology and multiple 1D/2D barcodes extraction framework. In Proceedings of the 17th International Conference on Advances in Multimedia Modeling - Volume Part II, pages , Daw-Tung Lin and Chin-Lin Lin. Automatic location for multi-symbology and multiple 1D and 2D barcodes. Journal of Marine Science and Technology, 21: , Eisaku Ohbuchi, Hiroshi Hanaizumi, and Lim Ah Hock. Barcode readers using the camera device in mobile phones. In Proceedings of the 2004 International Conference on Cyberworlds, CW 04, pages , Gábor Sörös and Christian Flörkemeier. Blur-resistant joint 1D and 2D barcode localization for smartphones. In Proceedings of the 12th International Conference on Mobile and Ubiquitous Multimedia, pages 11:1 11:8, Steffen Wachenfeld, Sebastian Terlunen, and Xiaoyi Jiang. Robust recognition of 1-D barcodes using camera phones. In Pattern Recognition, ICPR th International Conference on, pages 1 4, 2008.
Automatikus azonosítás és hitelesítés vizuális kódokkal
INFOKOM 2014 Automatikus azonosítás és hitelesítés vizuális kódokkal KATONA MELINDA, NYÚL LÁSZLÓ Szegedi Tudományegyetem, Képfeldolgozás és Számítógépes Grafika Tanszék {mkatona, nyul}@inf.u-szeged.hu
RészletesebbenMinták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások
Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján Típusok: felügyelt és felügyelet nélküli tanuló eljárások Különbség: előbbinél szükséges egy olyan tanulóhalmaz, ahol ismert a minták
RészletesebbenAutomatikus azonosítás és hitelesítés vizuális kódokkal
Automatikus azonosítás és hitelesítés vizuális kódokkal Katona Melinda, Nyúl László Szegedi Tudományegyetem Képfeldolgozás és Számítógépes Graka Tanszék 2014. október 9. HTE Infokom 2014 Automatikus azonosítás
Részletesebben3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
3. Szűrés képtérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE http://www.inf.u-szeged.hu/~kato/teaching/ 2 Kép transzformációk típusai Kép értékkészletének radiometriai információ
RészletesebbenÖnálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása
RészletesebbenMorfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet
Morfológia Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet 2012. október 9. Sergyán (OE NIK) Morfológia 2012. október 9. 1 /
Részletesebben8. Pontmegfeleltetések
8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét
RészletesebbenAz objektum leírására szolgálnak. Mire jók? Sokszor maga a jellemző az érdekes: Tömörítés. Objektumok csoportosítására
Az objektum leírására szolgálnak Mire jók? Sokszor maga a jellemző az érdekes: pl.: átlagosan mekkora egy szitakötő szárnyfesztávolsága? Tömörítés pl.: ha körszerű objektumokat tartalmaz a kép, elegendő
RészletesebbenMorfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet
Morfológia Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet 2013. szeptember 15. Sergyán (OE NIK) Morfológia 2013. szeptember
RészletesebbenNem roncsoló tesztelés diszkrét tomográfiával
Nem roncsoló tesztelés diszkrét tomográfiával Dr. Balázs Péter, adjunktus Képfeldolgozás és Számítógépes Grafika Tanszék SZTE TTIK, Informatikai Tanszékcsoport A teszteléshez használt CT berendezés lapdetektor
RészletesebbenKÉPFELDOLGOZÁS. 10. gyakorlat: Morfológiai műveletek, alakjellemzők
KÉPFELDOLGOZÁS 10. gyakorlat: Morfológiai műveletek, alakjellemzők Min-max szűrők MATLAB-ban SE = strel(alak, paraméter(ek)); szerkesztőelem generálása strel( square, w): négyzet alakú, w méretű strel(
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenMultimédiás adatbázisok
Multimédiás adatbázisok Multimédiás adatbázis kezelő Olyan adatbázis kezelő, mely támogatja multimédiás adatok (dokumentum, kép, hang, videó) tárolását, módosítását és visszakeresését Minimális elvárás
RészletesebbenKétdimenziós mesterséges festési eljárások. Hatások és alkalmazások
Pannon Egyetem Informatikai Tudományok Doktori Iskola Tézisfüzet Kétdimenziós mesterséges festési eljárások. Hatások és alkalmazások Kovács Levente Képfeldolgozás és Neuroszámítógépek Tanszék Témavezet
RészletesebbenRendszámfelismerő rendszerek
Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek Motiváció
RészletesebbenAnalı zis elo ada sok
Vajda Istva n Neumann Ja nos Informatika Kar O budai Egyetem 1 / 13 Specia lis differencia la si szaba lyok Logaritmikus differencia la s f (x)g (x) g (x) = e ln f (x) = e g (x) ln f (x) = f (x) g (x)
RészletesebbenTÉRINFORMATIKA II. Dr. Kulcsár Balázs Ph.D. adjunktus. Debreceni Egyetem Műszaki Kar Műszaki Alaptárgyi Tanszék
TÉRINFORMATIKA II. Dr. Kulcsár Balázs Ph.D. adjunktus Debreceni Egyetem Műszaki Kar Műszaki Alaptárgyi Tanszék MÁSODLAGOS ADATNYERÉSI ELJÁRÁSOK Meglévő (analóg) térképek manuális digitalizálása 1 A meglévő
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás alapfogalmai. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás alapfogalmai BME, 2008 A digitális képfeldolgozás alapfeladata Deníció A digitális képfeldolgozás során arra törekszünk, hogy a természetes képek elemzése révén
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenKéprekonstrukció 3. előadás
Képrekonstrukció 3. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Computed Tomography (CT) Elv: Röntgen-sugarak áthatolása 3D objektum 3D térfogati kép Mérések
RészletesebbenSúlyozott automaták alkalmazása
Súlyozott automaták alkalmazása képek reprezentációjára Gazdag Zsolt Szegedi Tudományegyetem Számítástudomány Alapjai Tanszék Tartalom Motiváció Fraktáltömörítés Súlyozott véges automaták Képek reprezentációja
RészletesebbenSergyán Szabolcs szeptember 21.
Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív
Részletesebben2. Hozzárendelt azonosítók alapján
Elektronikus kereskedelem Dr. Kutor László Automatikus azonosító rendszerek http://uni-obuda.hu/users/kutor/ Miért fontos az azonosítás? Az azonosítás az információ-feldolgozó rendszerek működésének alapfeltétele.
RészletesebbenElektronikus kereskedelem. Automatikus azonosító rendszerek
Elektronikus kereskedelem Dr. Kutor László Automatikus azonosító rendszerek http://uni-obuda.hu/users/kutor/ 2012. ősz OE NIK Dr. Kutor László EK-4/42/1 Miért fontos az azonosítás? Az azonosítás az információ-feldolgozó
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
RészletesebbenAutomatikus épület-felismerés ortofotókon objektum-alapú eljárással
Automatikus épület-felismerés ortofotókon objektum-alapú eljárással Gera Dávid Ákos, Nádor Gizella, Surek György Földmérési és Távérzékelési Intézet Távérzékelési Igazgatóság 1. Bevezetés Napjainkban a
RészletesebbenTárgy. Forgóasztal. Lézer. Kamera 3D REKONSTRUKCIÓ LÉZERES LETAPOGATÁSSAL
3D REKONSTRUKCIÓ LÉZERES LETAPOGATÁSSAL. Bevezetés A lézeres letapogatás a ma elérhet legpontosabb 3D-s rekonstrukciót teszi lehet vé. Alapelve roppant egyszer : egy lézeres csíkkal megvilágítjuk a tárgyat.
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54
RészletesebbenDigitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat
Digitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat Készítsen egy Python programot a megfelelő csomagok (OpenCV, NumPy, stb.) segítségével, amely a következő feladatok
RészletesebbenProgramoza s I. 11. elo ada s Oszd meg e s uralkodj! elvu algoritmusok. Sergya n Szabolcs
11. elo ada s Oszd meg e s uralkodj! elvu algoritmusok Sergya n Szabolcs sergyan.szabolcs@nik.uni-obuda.hu O budai Egyetem Neumann Ja nos Informatikai Kar Alkalmazott Informatikai Inte zet 1 / 24 Tartalom
RészletesebbenPéldák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.
Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre?
RészletesebbenDIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG:
DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG: kisszandi@mailbox.unideb.hu ImageJ (Fiji) Nyílt forrás kódú, java alapú képelemző szoftver https://fiji.sc/ Számos képformátumhoz megfelelő
RészletesebbenBitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István
BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján Hegedűs István Ajánló rendszerek Napjainkban egyre népszerűbb az ajánló rendszerek alkalmazása A cégeket is hasznos információval
RészletesebbenHadházi Dániel.
Hadházi Dániel hadhazi@mit.bme.hu Orvosi képdiagnosztika: Szerepe napjaink orvoslásában Képszegmentálás orvosi kontextusban Elvárások az adekvát szegmentálásokkal szemben Verifikáció és validáció lehetséges
RészletesebbenFelvétel készítése Képfeldolgozás (ábragyűjtemény) IV.
Felvétel készítése Képfeldolgozás (ábragyűjtemény) IV. Dr. Kohut József 1. felbontás (resolution) 2. látómező (field of view, FOV) 3. tárgy-távolság (working distance) 4. érzékelő (sensor) 5. tárgy/mező
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenTranszformációk. Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform
Transzformációk Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform Koordinátarendszerek: modelltér Koordinátarendszerek: világtér Koordinátarendszerek: kameratér up right z eye ahead
Részletesebben6. Éldetektálás. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
6. Éldetektálás Kató Zoltán Képeldolgozás és Számítógépes Graika tanszék SZTE (http://www.in.u-szeged.hu/~kato/teaching/) 2 Élek A képen ott található él, ahol a kép-üggvény hirtelen változik. A kép egy
RészletesebbenSzámítógépes grafika
Számítógépes grafika HEFOP 3.5.1 Korszerű felnőttképzési módszerek kifejlesztése és alkalmazása EMIR azonosító: HEFOP-3.5.1-K-2004-10-0001/2.0 Tananyagfejlesztő: Máté István Lektorálta: Brückler Tamás
RészletesebbenAz Internet jövője Internet of Things
Az Internet jövője Dr. Bakonyi Péter c. docens 2011.01.24. 2 2011.01.24. 3 2011.01.24. 4 2011.01.24. 5 2011.01.24. 6 1 Az ( IoT ) egy világméretű számítógéphálózaton ( Internet ) szabványos protokollok
RészletesebbenAz e-kereskedelem elvárásai a biometriával szemben
Őszi Arnold Az e-kereskedelem elvárásai a biometriával szemben Az e-kereskedelem elvárásai a biometriával szemben Őszi Arnold Óbudai Egyetem, Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar oszi.arnold@bgk.uni-obuda.hu
RészletesebbenPRECÍZ Információs füzetek
PRECÍZ Információs füzetek Informa cio k, Mo dszerek, O tletek e s Megolda sok a Precıź Integra lt U gyviteli Informa cio s rendszerhez T17. Évnyitás 2013. december Évnyitás Az e vnyita shoz szu kse ges
RészletesebbenPanorámakép készítése
Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)
RészletesebbenOptikai méréstechnika alkalmazása járműipari mérésekben Kornis János
Optikai méréstechnika alkalmazása járműipari mérésekben Kornis János PhD, okleveles villamosmérnök, Budapesti Műszaki és Gazdaságtudományi Egyetem Fizika Tanszék, kornis@phy.bme.hu Absztrakt: Az optikai
RészletesebbenEgy (k) küszöb esetén [0, 1] intenzitástartományt feltételezve (v 2 v 2 ):
A kép (I) intenzitástartományt folytonos tartományokra osztjuk. Az eredményképen minden egyes tartományhoz egyetlen (egyedi) értéket rendelünk. Egy (k) küszöb esetén [0, 1] intenzitástartományt feltételezve
RészletesebbenÚtjelzések, akadályok felismerése valós időben
Útjelzések, akadályok felismerése valós időben Dr. Hidvégi Timót Széchenyi István Egyetem Győr, 9026, Egyetem tér 1. hidvegi@sze.hu 1. Bevezető Sajnos a közúton a balesetek egy része abból adódik, hogy
RészletesebbenKutatási beszámoló. 2015. február. Tangens delta mérésére alkalmas mérési összeállítás elkészítése
Kutatási beszámoló 2015. február Gyüre Balázs BME Fizika tanszék Dr. Simon Ferenc csoportja Tangens delta mérésére alkalmas mérési összeállítás elkészítése A TKI-Ferrit Fejlsztő és Gyártó Kft.-nek munkája
RészletesebbenÉlpont osztályozáson alapuló robusztus tekintetkövetés
KÉPFELDOLGOZÁS Élpont osztályozáson alapuló robusztus tekintetkövetés HELFENBEIN TAMÁS Ipari Kommunikációs Technológiai Intézet, Bay Zoltán Alkalmazott Kutatási Közalapítvány helfenbein@ikti.hu Lektorált
RészletesebbenInformatika Rendszerek Alapjai
Informatika Rendszerek Alapjai Dr. Kutor László Alapfogalmak Információ-feldolgozó paradigmák Analóg és digitális rendszerek jellemzői Jelek típusai Átalakítás rendszerek között http://uni-obuda.hu/users/kutor/
RészletesebbenLáthatósági kérdések
Láthatósági kérdések Láthatósági algoritmusok Adott térbeli objektum és adott nézőpont esetén el kell döntenünk, hogy mi látható az adott alakzatból a nézőpontból, vagy irányából nézve. Az algoritmusok
RészletesebbenPONTFELHŐ REGISZTRÁCIÓ
PONTFELHŐ REGISZTRÁCIÓ ITERATIVE CLOSEST POINT Cserteg Tamás, URLGNI, 2018.11.22. TARTALOM Röviden Alakzatrekonstrukció áttekintés ICP algoritmusok Projektfeladat Demó FORRÁSOK Cikkek Efficient Variants
RészletesebbenSZOMSZÉDSÁGI SZEKVENCIÁK ÉS ALKALMAZÁSAIK A KÉPFELDOLGOZÁSBAN ÉS KÉPI ADATBÁZISOKBAN
SZOMSZÉDSÁGI SZEKVENCIÁK ÉS ALKALMAZÁSAIK A KÉPFELDOLGOZÁSBAN ÉS KÉPI ADATBÁZISOKBAN NEIGHBORHOOD SEQUENCES AND THEIR APPLICATIONS IN IMAGE PROCESSING AND IMAGE DATABASES András Hajdu, János Kormos, Tamás
Részletesebben2. Pont operációk. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
2. Pont operációk Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Kép transzformációk típusai Kép értékkészletének (radiometriai információ)
RészletesebbenSpeciális bútorok. Laborbútor. Oktatási bútor. Ipari bútor. Mérlegasztal. Laborszék
Speciális bútorok Laborbútor Oktatási bútor Ipari bútor Mérlegasztal Laborszék JÖVŐT ÉPÍTÜNK A FUNKCIONALITÁS ÉS A DIZÁJN JEGYÉBEN A BESTLAB immáron 15 éves szakértelemmel komplett megoldá sokát kíná l
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenR5 kutatási feladatok és várható eredmények. RFID future R Király Roland - Eger, EKF TTK MatInf
R5 kutatási feladatok és várható eredmények RFID future R5 2013.06.17 Király Roland - Eger, EKF TTK MatInf RFID future R5 RFID future - tervezett kutatási feladatok R5 feladatok és várható eredmények Résztevékenységek
RészletesebbenMódszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére
Módszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére Doktori (PhD) értekezés tézisei Holczinger Tibor Témavezető: Dr. Friedler Ferenc Veszprémi Egyetem Műszaki Informatikai
RészletesebbenKépfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció
Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes
RészletesebbenSegédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával
Segédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 212. október 16. Frissítve: 215. január
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenÉl: a képfüggvény hirtelen változása. Típusai. Felvételeken zajos formában jelennek meg. Lépcsős
Él: a képfüggvény hirtelen változása Típusai Lépcsős Rámpaszerű Tetőszerű Vonalszerű él Felvételeken zajos formában jelennek meg Adott pontbeli x ill. y irányú változás jellemezhető egy f folytonos képfüggvény
RészletesebbenI. VEKTOROK, MÁTRIXOK
217/18 1 félév I VEKTOROK, MÁTRIXOK I1 I2 Vektorok 1 A síkon derékszögű koordinátarendszerben minden v vektornak van vízszintes és van függőleges koordinátája, ezeket sorrendben v 1 és v 2 jelöli A v síkbeli
RészletesebbenSztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt**
Sztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt** *PhD, okleveles villamosmérnök, Budapesti Műszaki és Gazdaságtudományi Egyetem Fizika Tanszék, kornis@phy.bme.hu **fizikus
RészletesebbenAutomatikus irányzás digitális képek. feldolgozásával TURÁK BENCE DR. ÉGETŐ CSABA
Automatikus irányzás digitális képek feldolgozásával TURÁK BENCE DR. ÉGETŐ CSABA Koncepció Robotmérőállomásra távcsővére rögzített kamera Képek alapján a cél automatikus detektálása És az irányzás elvégzése
RészletesebbenDigitális képek szegmentálása. 5. Textúra. Kató Zoltán.
Digitális képek szegmentálása 5. Textúra Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy
RészletesebbenKépfeldolgozás jól párhuzamosítható
Képfeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, 2nd ed., 2005. könyv 12. fejezete alapján Vázlat A képfeldolgozás olyan alkalmazási terület,
RészletesebbenMultimédia alapú fejlesztéseknél gyakran használt veszteséges képtömörítő eljárások pszichovizuális összehasonlítása
Multimédia alapú fejlesztéseknél gyakran használt veszteséges képtömörítő eljárások pszichovizuális összehasonlítása Berke József 1 - Kocsis Péter 2 - Kovács József 2 1 - Pannon Agrártudományi Egyetem,
RészletesebbenAz [OIII] vonal hullámhossza = 3047,50 Ångström Maximális normált fluxus = 7,91E-12 Szigma = 0,18 Normálási tényező = 3,5E-12 A Gauss-görbe magassága
PÁPICS PÉTER ISTVÁN CSILLAGÁSZATI SPEKTROSZKÓPIA 2. 6. HF FELADAT: egy az IUE adatbázisából (http://archive.stsci.edu/iue/) tetszőlegesen választott objektum ultraibolya spektrumának IDL-ben való feldolgozása,
RészletesebbenFotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar
Fotogrammetriai munkaállomások szoftvermoduljainak tervezése Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Témakörök DPW szoftvermodulok Szoftverek funkciói Pár példa Mi hiányzik gyakran?
RészletesebbenÁltalános követelmények a kép tartalmával és minőségével kapcsolatban
Általános követelmények a kép tartalmával és minőségével kapcsolatban A következő követelmények egyrészt azért fontosak, hogy megfelelően dokumentálják az eseményeket (bizonyítékként felhasználóak legyenek),
RészletesebbenMatematikai geodéziai számítások 10.
Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László
RészletesebbenKontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz
Kontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz Szekér Szabolcs 1, Dr. Fogarassyné dr. Vathy Ágnes 2 1 Pannon Egyetem Rendszer- és Számítástudományi Tanszék, szekersz@gmail.com
RészletesebbenVirtuális Egér. Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor. 2011. március 20.
Számítógépes Látás Projekt Virtuális Egér Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor 011. március 0. Feladat kiírás: Egy olyan rendszer megvalósítása, melyben kamera értelmezi a kéz és az ujjak
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenA nappali tagozatra felvett gépészmérnök és műszaki menedzser hallgatók informatikai ismeretének elemzése a Budapesti Műszaki Főiskolán
A nappali tagozatra felvett gépészmérnök és műszaki menedzser hallgatók informatikai ismeretének elemzése a Budapesti Műszaki Főiskolán Kiss Gábor BMF, Mechatronikai és Autótechnikai Intézet kiss.gabor@bgk.bmf.hu
RészletesebbenInformáció megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter Raszterizáció OpenGL Mely pixelek vannak a primitíven belül fragment generálása minden ilyen pixelre Attribútumok (pl., szín) hozzárendelése
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenCsigatisztítók hatékonyságának minősítési módszere
Csigatisztítók hatékonyságának minősítési módszere Török Dániel, Suplicz András, Kovács József Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem, Gépészmérnöki Kar, Polimertechnika Tanszék, Műegyetem
RészletesebbenElőadás célja: ERDAS IMAGINE történelem a Georgikon Karon. ERDAS IMAGINE alkalmazása Karunk oktatási feladataiban
ERDAS IMAGINE ERDAS IMAGINE8.x osztályozó eljárások gyakorlati alkalmazása a Georgikon Karon gyakorlati alkalmazásának 1 Pallér Norbert2 Berke József lehetőségei berke@georgikon.hu Berke József 1 - Veszprémi
RészletesebbenA távérzékelt felvételek tematikus kiértékelésének lépései
A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata
RészletesebbenVALÓS IDEJŰ KÉZ ÉS UJJHEGY ÉRZÉKELŐ ELJÁRÁS A REAL-TIME HAND AND FINGERTIP DETECTION METHOD
Gradus Vol 1, No 1 (2014) 74-80 ISSN 2064-8014 VALÓS IDEJŰ KÉZ ÉS UJJHEGY ÉRZÉKELŐ ELJÁRÁS A REAL-TIME HAND AND FINGERTIP DETECTION METHOD Bolla Kálmán 1*, Szatmári Ferenc 1 1 Informatika Tanszék, Gépipari
RészletesebbenQR kód lokalizáció kaszkádolt gyenge osztályozók használatával
QR kód lokalizáció kaszkádolt gyenge osztályozók használatával Bodnár Péter és Nyúl László Szegedi Tudományegyetem Képfeldolgozás és Számítógépes Grafika Tanszék {bodnaar, nyul}@inf.u-szeged.hu Absztrakt
RészletesebbenTranszformációk. Szécsi László
Transzformációk Szécsi László A feladat Adott a 3D modell háromszögek csúcspontjai [modellezési koordináták] Háromszögkitöltő algoritmus pixeleket színez be [viewport koordináták] A feladat: számítsuk
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
Részletesebben2010.09.21. Internet of Things 2
Az Internet jövője Internet of Things Dr. Bakonyi Péter c. docens 2010.09.21. Internet of Things 2 2010.09.21. Internet of Things 3 2010.09.21. Internet of Things 4 2010.09.21. Internet of Things 5 2010.09.21.
RészletesebbenHasználati alapú és modell alapú tesztelés kombinálása szolgáltatásorientált architektúrák teszteléséhez az ipari gyakorlatban
Használati alapú és modell alapú tesztelés kombinálása szolgáltatásorientált architektúrák teszteléséhez az ipari gyakorlatban Nagy Attila Mátyás 2016.12.07. Áttekintés Bevezetés Megközelítés Pilot tanulmányok
RészletesebbenAUTOMATIKUS KÉPFELDOLGOZÁS A HADITECHNIKÁBAN A CELLULÁRIS NEURÁLIS HÁLÓZAT
Buzási Tibor AUTOMATIKUS KÉPFELDOLGOZÁS A HADITECHNIKÁBAN A CELLULÁRIS NEURÁLIS HÁLÓZAT A következő bemutató témája a Celluláris Neurális Hálózat (CNN) technológiára épülő, a hagyományos képfeldolgozási
RészletesebbenMechatronika segédlet 3. gyakorlat
Mechatronika segédlet 3. gyakorlat 2017. február 20. Tartalom Vadai Gergely, Faragó Dénes Feladatleírás... 2 Fogaskerék... 2 Nézetváltás 3D modellezéshez... 2 Könnyítés megvalósítása... 2 A fogaskerék
RészletesebbenRFID rendszer felépítése
RFID és RTLS RFID rendszer felépítése 1. Tag-ek (transzponder) 2. Olvasók (interrogátor) 3. Számítógépes infrastruktúra 4. Szoftverek Tárgyak, élőlények, helyszínek azonosítása, követése és menedzsmentje
Részletesebben4. Jellemző pontok kinyerése és megfeleltetése
4. Jellemző pontok kinyerése és megfeleltetése Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Jellemzők és megfeleltetésük A képfeldolgozás,
Részletesebbeni5000 sorozatú szkennerek
i5000 sorozatú szkennerek Vezérlő kód információk _hu Vezérlőkód információk Tartalomjegyzék Vezérlő minta részletek... 4 Vezérlő minta tájolás... 5 Vonalkód részletek... 7 Vezérlő pozícionálása... 9 Papír
RészletesebbenA MAGYAR TÖRTÉNELMI TÁRSULAT KIADVÁNYAI
A MAGYAR TÖRTÉNELMI TÁRSULAT KIADVÁNYAI 2 A MA GYAR TÖR TÉ NEL MI TÁR SU LAT KI AD VÁ NYAI A kö tet írá sai zöm mel a hu sza dik szá zad idõ sza ká ról szól nak, más részt pe dig át té te le sen ér vel
RészletesebbenIonogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása
Ionogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása Előadó: Pieler Gergely, MSc hallgató, Nyugat-magyarországi Egyetem Konzulens: Bencsik Gergely, PhD hallgató, Nyugat-magyarországi
Részletesebben1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok. HálózatokII, 2007
Hálózatok II 2007 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Szerda 17:00 18:30 Gyakorlat: nincs Vizsga írásbeli Honlap: http://people.inf.elte.hu/lukovszki/courses/g/07nwii
Részletesebben