Modified ACM

I Modified ACM sono perfetti per delinerare i contorni di uno o più oggetti presenti in un’immagine!

ACM Funzionamento

GUARDA UNA PRESENTAZIONE SUI MODIFIED ACM

Parliamo di un framework utile nella Computer Vision nel delineare i contorni di un oggetto in una immagine, anche in presenza di un forte rumore. Sono usati con successo nelle operazioni di object tracking, shape recognition, segmentazione, edge detection e stereo matching.

Cos’è

Gli Active Contour Model sono stati introdotti da Tony Chan e Luminita Vese1, vengono detti snakes per il loro modo di evolvere, delinando perfettamente i contorni di uno o più oggetti presenti in immagini fortemente rumorose. Il metodo consente, inoltre, la binarizzazione delle immagini. L’elemento principale del metodo è una curva C che si “muove” nell’immagine in modo tale che il contenuto energetico Φ interno alla curva cresca sempre (Φ > 0), mentre il contenuto energetico esterno alla curva decresca sempre (Φ < 0). Il contenuto energetico lungo la curva C, invece, è nullo (Φ = 0). L’algoritmo muove le curve nelle quattro direzioni in modo da poter mantenere sempre vere queste condizioni.

Applicazioni

Gli ACM possono essere applicati in svariati contesti: medico, archeologico, agronomico, agroalimentare, geologico, industriale, ecc. Possiamo aiutarti a realizzare i Modified ACM che più fanno al caso tuo: snake multifase operanti nello spazio colore la cui funzione di minimizzazione customizzata per aderire al tuo problema, introducendo un sistema esperto nei tuoi software GIS, Matlab®, C/C++, C#, ecc.

Come funziona

Il funzionamento è semplice: si posiziona una curva di partenza sull’immagine (A), si valuta il contenuto energetico dentro e fuori la curva, si fa evolvere la curva lungo tutte le direzioni (B) e si valuta per ogni posizione il contenuto energetico interno ed estero: si verifica quale posizione massimizza il contenuto energetico interno e minimizza quello esterno, scegliendola come nuova curva per la successiva iterazione. Se la soluzione non è stazionaria si ricomincia da capo (C), con la nuova curva come elemento iniziale, ottenendo infine i contorni degli oggetti (D).

ACM Risultati

Vantaggi

Questo algoritmo è fortemente immune al rumore: anche in presenza di immagini altamente rumorose è possibile individuare gli oggetti. Le curve riescono ad individuare gli elementi anche se hanno bordi sfumati o poco contrastati. La tecnica è valida sia per le immagini in scala di grigi, sia nello spazio colore. La funzione di fitting è modificabile a seconda dei risultati che si intende raggiungere. L’algoritmo è applicabile anche per individuare oggetti tridimensionali (3D).

Modified ACM

L’algoritmo dei Modified ACM consente di personalizzare la funzione di fitting per l’estrazione di pattern da immagini e utilizza il concetto di multiphase, ovvero l’evoluzione di più curve concorrenti tra loro. La variante multiphase consente di evolvere più curve contemporaneamente, in modo che queste non vengano mai a sovrapporsi e che ognuna delle quali estragga un oggetto a se stante: il risultato non sarà una semplice binarizzazione ma una segmentazione dell’immagine più complessa.

[1] Tony F. Chan, Luminita A. Vese: Active Contours Without Edges, IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 10, NO. 2, FEBRUARY 2001.

VUOI INTEGRARE QUESTA TECNICA DI ANALISI?