Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: automatic vectorization

Sortuj według:

Ogranicz wyniki do:

Analiza przydatności algorytmów detekcji krawędzi w zastosowaniach fotogrametrii bliskiego zasięgu

Czechowicz A., Mikrut S.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

2006

Vol. 16

135--146

Niniejszy artykuł prezentuje wyniki badań porównujących metody detekcji krawędzi na obrazach cyfrowych oraz weryfikację ich przydatności w procesie automatycznej wektoryzacji. W ramach eksperymentu dokonano implementacji znanych algorytmów detekcji krawędzi bazujących na analizie pochodnych funkcji jasności obrazu (Sobela, Kircha, Canny’ego, Marr-Hildretha) jak również nowych rozwiązań (algorytm SUSAN). Opracowany w środowisku Matlab program autorski umożliwił uzyskanie punktowego opisu krawędzi, aproksymację ich przebiegu prostymi oraz analizę jakości uzyskanych wyników. Badania przeprowadzono na dwudziestu dwóch obiektach, które podzielono na dwie grupy – obiektów typowych i nietypowych. Obiekty te pochodzą z projektów wykonanych w ramach inwentaryzacji zabytków. Zdjęcia zostały pozyskane metodą bezpośrednią – aparatem cyfrowym Canon EOS 300D z obiektywami Canon EF 14 mm L USM i Canon EF 50mm L USM oraz pośrednią – kamerą analogową Rolleiflex 6006 metric i skanerem PHOTOSCAN – TD. Dla sprawdzenia poprawności wyznaczonych krawędzi dokonano ich ręcznej wektoryzacji. Obliczono współczynniki określające dokładność ilościowo – jakościową algorytmów detekcji krawędzi przy zadanych parametrach. Umożliwiło to wytypowanie optymalnych ustawień detekcji. Obliczanymi współczynnikami były: kompletność (completeness), poprawność (correctness) i jakość (quality). Otrzymany w wyniku detekcji krawędzi obraz binarny porównano z obrazem zawierającym informacje o rzeczywistych krawędziach obiektu. Wyniki zestawiono i na ich podstawie wytypowano optymalny algorytm detekcji krawędzi (Canny) oraz określono w procentach ilość uzyskanych automatycznie wektorów, które mogą być wykorzystane w dalszych etapach opracowań fotogrametrycznych.

This paper presents the results of research work that compares methods of edge detection on digital images, as well as verification of their use in the automatic vectorization process. Within the experiment framework, known algorithms of edge detection that are based on the analysis of image brightness function derivatives (Sobel, Kirch, Canny, Marr-Hildreth) were implemented, as well as new solutions (the SUSAN algorithm) were considered. The original software, developed in the Matlab environment, obtained the point description of edges, the approximation of their routes by means of straight lines, as well as a quality analysis of the obtained results. Tests were performed on 22 objects, which were divided into two groups: typical and atypical ones. The objects were derived from projects in the historical monument inventory scheme. Images were acquired both by means of a direct method (Canon EOS 300D digital camera, provided with Canon EF 14 mm L USM and Canon EF 50 mm L USM lenses), and by means of an indirect method (analogue Rolleiflex 6006 metric camera and PHOTOSCAN-TD scanner). In order to check the accuracy of the evaluated edges, they were subjected to manual vectorization. Coefficients determining the quantitative and qualitative accuracy of edge detection algorithms at set parameters were calculated. This made it possible to single out optimum detection settings. The calculated coefficients included completeness, correctness, and quality. The binary image received as a result of the edge detection was compared with the image containing information about actual object edges. The results were put together and, based on them, the optimum edge detection algorithm was selected (Canny). In addition, the percentage amount of automatically gained vectors which may be used in further steps in the photogrammetric process was determined.

Geohraphic map image interpretation : survey and problems

Stąpor K.

Machine Graphics and Vision

2000

Vol. 9, No. 1/2

497-518

This paper is brief survey of the most common large scale (1:500-1:1000) geographic map processing techniques in the traditional three levels of document image analysis: pixel-level processing, feature-level analysis and graphic/text recognition and interpretation, followed by a description of some of the most relevant systems developed for map interpretation. The systems (methods) are classifield depending on the type of map they can interpret.