이미지 처리에서의 모멘트

간략한 설명

파일: \examples\Processing\Geometry\ImageMoments\ImageMoments.va

Default Platform: mE5-MA-VCL

요약 설명

입력된 이미지에 대한 이미지 모멘트, 방향 및 편심도를 계산합니다.

이미지 처리에서 모멘트는 이미지의 개별 픽셀 밝기 값을 평균낸 값입니다. 이 모멘트를 통해 이미지 내 물체의 방향, 편심도, 면적 또는 질량중심과 같은 물리적 특성을 파악할 수 있습니다.

방향

오리엔테이션 객체의 …는 다음과 같이 정의된다. [Bur06]:

식 (24).


2차 중심 모멘트와 함께:

식 (25).


정의와 함께

식 (26).


중심점은

식 27.


그리고 솔직한 순간들

식 (28).


이는 물체의 면적에 해당합니다. 여기서 g(x,y)는 디지털 그레이스케일 이미지에 사용되는 그레이스케일 함수입니다.

Eccentricity

물체의 이심률 e는 [Bur06]을 통해 계산할 수 있다.

식 29.


편심도 측정 결과는 0(둥근 물체)에서 1(길쭉한 물체) 사이의 범위에 속합니다.

VisualApplets에서의 설계

VisualApplets 에서는 원본 이미지와 물체의 면적, 무게 중심, 방향 및 편심률과 같은 기하학적 특성을 출력으로 하는 설계가 구현되어 있습니다. 이 예제는 \examples\Processing\Geometry\ImageMoments\ImageMoments.va에서 확인할 수 있습니다. 계산에는 병렬도 4가 선택되었습니다. 그림 324, ‘기본 설계 구조’에는 주석이 달린 설계 구조가 표시되어 있습니다.

기본 설계 구조

그림 324. 기본 설계 구조


그레이스케일 이미지의 기하학적 특성인 면적, 무게중심, 방향 및 편심률은 모멘트를 통해 계산됩니다. (HierarchicalBox: ImageMoments). 이러한 속성은 원본 카메라 이미지에 추가됩니다 (이미지에 순간들 추가하기). In 그림 325, ‘ImageMoments의 내용 ’ HierarchicalBox의 내용 ImageMoments 가 나타납니다. 생생한 순간들 (이는 물체의 면적에 해당하며), 및 , 그리고 무게중심 그리고 핵심적인 순간들 및 위에서 제시된 공식에 따라 구현됩니다. 마지막으로 기하학적 특성인 방향은 주축과 상물체의 이심률 e 는 이러한 결과를 바탕으로 계산된다.

ImageMoments의 내용

그림 325. ImageMoments의 구성 요소


에서 그림 326, ‘HierarchicalBox의 orientation_theta 속성 ’ 및 그림 327, ‘HierarchicalBox 편심도의 내용’ HierarchicalBoxes의 내용 orientation_theta 및 이심률 각 작업 단계에 삽입된 설명과 함께 표시됩니다. 방향은 그리고 이심률 e는 다음 값들을 사용하여 계산되며, 에 따라 식 24 및 식 (29). ARCTAN 연산자에 입력될 신호의 해상도는 R=7로 설정됩니다.

HierarchicalBox의 orientation_theta 속성 값

그림 326. HierarchicalBox의 orientation_theta 속성


HierarchicalBox의 이심도 내용

그림 327. HierarchicalBox의 편심도 내용


주석: Θ 방향의 구현 과정에서, ARCTAN 함수의 입력 신호가 최대 12비트로 제한되는 것이 정확도와 분해능 계산에 문제가 될 수 있음이 밝혀졌습니다: 예를 들어, 방향 Θ= 44.07°인 타원의 이미지(MATLAB을 이용한 모멘트 구현 결과)를 분석했습니다. ARCTAN 함수에 대한 25비트 입력 신호는 12비트로 제한되어야 합니다. 분해능 R=8비트일 때 VisualApplets 에서의 구현 결과는 41.43°이며, R=7비트일 때는 결과가 43.21°(작은 각도에 대한 분해능 0.2°)이고 , R=6일 때는 44.07°(작은 각도에 대한 분해능 0.45°)입니다. 그 결과, 높은 분해능 (R=8비트)에서는 비트 심도 제한으로 인해 계산된 최대 각도가 실제 방향각보다 작다는 사실을 확인했습니다. 해상도 R이 작을수록 계산 결과는 큰 각도에서는 개선되지만, 그 대가로 작은 각도 범위에서는 정확도가 떨어집니다. 이 문제는 ARC TAN 연산자 대신 룩업 테이블을 사용함으로써 해결할 수 있습니다.