Nano Hash - криптовалюты, майнинг, программирование

Как обнаружить объекты, похожие на искаженный эллипс?

Мне нужно обработать стопку ультразвуковых изображений, на которых в основном много шума, но мне нужно извлечь определенные объекты, которые выглядят, например, так:

введите здесь описание изображения

Вот пример из Википедии довольно красиво оформленного объекта введите здесь описание изображения

Но я не уверен, как получить весь регион.

Что я сделал:

Я уже пытался использовать фильтры mean и median для получения в конце бинарного изображения, которое затем обрабатывается с помощью метода union-find для создавать регионы. К сожалению, это приводит к неопределенным результатам. И кажется, что разница в краевых пикселях недостаточно высока, чтобы получить чистое sobel-изображение (для попытки определить поля).

Что, по моему мнению, может сработать

В другом проекте я работал с алгоритмом hough для обнаружения шара (очень чистой формы) на картинке. Я слышал, что этот метод можно применять для линий и, следовательно, для кривых. Но смогу ли я обнаружить такой регион? И если да, то как это будет? это множественное обнаружение только для одной области? Поскольку мне нужно обрабатывать в реальном времени, я боюсь, что это превысит кадр обработки (или не будет?)

Мой вопрос

Кто-нибудь знает, как легко обнаружить такие объекты? Можно ли применить хотя бы в режиме реального времени на обычных (не высокопроизводительных) компьютерах?

Спасибо за любые советы! С уважением


  • если вы ищете решение с использованием преобразования hough, этот пост поможет вам stackoverflow.com/questions/6307263/ 27.10.2015
  • если вы хотите получить результат менее сложным способом, опубликуйте изображение без аннотаций, чтобы мы могли попробовать некоторые алгоритмы. Спасибо 27.10.2015

Ответы:


1

Что касается предварительной обработки, вот что я пробовал:

BufferedImage im = ImageIO.Read("/Users/FiReTiTi/Desktop/ACvtI.jpg") ;

ASFilterCloseOpen asfco = new ASFilterCloseOpen() ;
Median median = new Median() ;

BufferedImage resmed = median.Filter(im, new StructuringElement(3, StructuringElement.DISK), nbCPU) ;
BufferedImage resco = asfco.Filter(resmed, se, nbCPU) ;

Это просто медианный фильтр (размер 3), за которым следует альтернативный последовательный фильтр, начиная с закрытия и размера 5. Кажется, он дает хорошее разделение различных областей.

Вот результат.

26.10.2015
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..