Tag: image processing

Hough Lines Transform is the key method used in the previous project where lane lines are detected. It is very helpful in many Computer Vision applications. The original form of Hough Transform aimed to identify straight lines. And that's what I'm going to explain today. Furthermore, this technique was later generalized to detect also other shapes like circles, ellipses etc. [1].

More Hough Lines Transform Explained

Self-Driving Cars

Although Deep Neural Networks play bigger and bigger role in scene recognition, classic Computer Vision methods are still valid and are applied to problems from autonomous cars industry. I'm going to present how to perform lane lines detection using OpenCV library and Python language using image processing techniques. It's the first project in the series about Self-Driving Cars.
More First step to stay on track - lane lines detection

Self-Driving Cars

Data preprocessing is a very important and quite underestimated step in Machine Learning pipelines. It provides cleaned and relevant datasets which then can be used in further steps like classification or regression. I will describe a study case for data which is fed to the SVM classifier to predict if a given image segment belongs to foreground or background. This is a second article about Support Vector Machine which is used for image segmentation in my flower species recognition project Flover.

More Data preprocessing for SVM classifier

Flover Project

Ze względu na to, że przy operacji oddzielania tła od obrazu w projekcie Flover używam algorytmu Support Vector Machine (SVM), postaram się go dzisiaj przystępnie opisać. To bardzo popularna metoda znana ze swojej skuteczności w dziedzinie Machine Learning. Ma za zadanie jak najlepiej odseparować od siebie elementy różnego typu ze zbioru uczącego, czyli umieścić je w optymalnie oddzielonych grupach.
More Support Vector Machine

Flover Project

Dziś zamieszczam wyniki oddzielania tła od obiektu w moim projekcie Flover. Opiszę procedurę i jakość ekstrakcji samego kwiata od reszty obrazu. Metoda opiera się na wcześniej opisanym algorytmie generacji superpikseli SLIC. Wykorzystuję również klasyfikator SVM, który generuje odpowiedź czy superpiksel jest tłem czy obiektem na podstawie bazy zdjęć kwiatów. Rezultat nie jest może na razie oszałamiający, ale ważne, że mam już napisany jako taki framework do tego typu operacji. Teraz pozostanie podkręcić jego parametry lub dodać kolejną metodę wspomagającą cały proces eliminacji tła.

More Eliminacja tła obrazu

Flover Project

W rozpoznawaniu obrazów często mamy do czynienia segmentacją. Przeprowadzamy ją gdy chcemy zmienić reprezentację obrazu na łatwiejszą do analizy - zamiast obrazu w postaci pikseli otrzymujemy regiony, które są w jakiś sposób jednorodne, np. pod względem koloru, odcieni szarości czy tekstury. Te wydzielone obszary nazywamy również superpikselami. Jest ich zazwyczaj o wiele mniej od normalnych pikseli, dlatego algorytmy przetwarzające dalej dany obraz mają bardziej ogólne informacje o obrazie i są szybsze. Jednym z lepszych a zarazem łatwych algorytmów segmentacji jest metoda SLIC.

More SLIC-zne superpiksele

Flover Project

Dzisiaj postaram się określić jak będzie wyglądała procedura rozpoznawania obrazów moim projekcie Flover. Będzie składać się z paru głównych etapów, które są bardzo powszechne w tej dziedzinie i cały czas udoskonalane. Nie ukrywam, że będę mocno posiłkował się pracą M. Nilsback, która raportuje jedne z najlepszych wyników rozpoznawania rodzajów kwiatów spośród wymienionych w moim opisie projektu. Wynajdywanie nowych algorytmów w tej tematyce nie jest głównym założeniem projektu, więc czemu miałbym wyważać otwarte drzwi. W miarę zgłębiania konkretnych metod być może…

More Metodyka rozpoznawania obrazów

Flover Project