SLAM勉強会(PTAM)
Seu SlideShare está sendo baixado.
×
Confira estes a seguir
Mais Conteúdo rRelacionado
Diapositivos para si (20)
Semelhante a 画像処理でのPythonの利用 (20)
Mais de Yasutomo Kawanishi (11)
Mais recentes (20)
画像処理でのPythonの利用
- 1. サンプルコード配布： https://github.com/tokyo-scipy/archive/tree/master/004/yasutomo57jp 画像処理でのPythonの利用 @yasutomo57jp 2012/06/16 Tokyo.Scipy #4
- 2. 自己紹介 名前：川西康友 所属：京都大学学術情報メディアセンター Python歴：1年くらい 去年，RubyからPythonへ乗り換え OpenCVの公式サポートがないのが痛い Numpyと比べてNumerical Ruby使ってる人は少な かった… 普段はPython又はC++でプログラミングしていま す こうして喋ってますがPython初心者です
- 3. 自己紹介 何をやっている人か：研究してます 映像メディアに対する認識など 映像中の人物検出・追跡・照合 o 最近ホットな防犯ネタ 映像からのプライバシ情報の除去
- 4. Contents 入門編：画像処理にPythonを使う 画像処理ライブラリの紹介 簡単な画像処理の例 応用編：Numpy/Scipyを使った応用例 固有空間を用いた物体領域抽出
- 5. 入門編：画像処理にPythonを使 う
- 6. 画像を簡単に処理したい さらさらっと書いて即実行したい 色んな環境で動くプログラムを作りたい C++とか使いたくない
- 7. 画像処理まわりのPython PIL(Python Imaging Library) http://www.pythonware.com/library/pil/handbook/index.htm OpenCV http://docs.opencv.org/ scipy.ndimage http://docs.scipy.org/doc/scipy/reference/ndimage.html 画像を扱うライブラリが充実してきた
- 8. PIL : Python Imaging Library インストール： $ easy_install pil 一番手っ取り早く“画像処理”が出来る 画像の読み書き フォーマット変換 サイズ，解像度変換 各種フィルタ処理 図形の描画
- 9. PIL プログラム例 画像を読み込んでエッジ検出して 回転させて表示して保存 import Image import ImageFilter img = Image.open(“lena.jpg”) eimg = img.filter(ImageFilter.FIND_EDGES) reimg = eimg.rotate(45) reimg.show() reimg.save(“lena_edge.jpg”)
- 10. OpenCV インストール： http://opencv.jp/download Ubuntuなら sudo apt-get install python-opencv 高度な処理が可能！ カメラからの入出力 様々な特徴抽出 顔認識 画像処理研究者の多くが利用 (C++での利用が主だと思うが) 画像は numpy.array 形式で扱う shape=(高さ,幅,チャンネル数)， dtype=numpy.uint8 です
- 11. OpenCV プログラム例 SURF特徴を取り出し，それを基に対応付け import cv2 img1 = Image.open(“lena.jpg”) img2 = Image.open(“lena_rotate.jpg”) surfdetect = cv2.FeatureDetector_create(“SURF”) surfextract = cv2.DescriptorExtractor_create(“SURF”) keys1 = surfdetect.detect(img1) keys2 = surfdetect.detect(img2) keys1, features1 = surfextract.compute(img1, keys1) keys2, features2 = surfextract.compute(img2, keys2)
- 12. OpenCV プログラム例 SURF特徴を取り出し，それを基に対応付け （続き） # 対応点を探索 dm = cv2.DescriptorMatcher_create(“BruteForce”) match = dm.match(features1,features2) # ↑対応する特徴点のインデックスの組みが入っている # あとは頑張って可視化（省略） # C++なら cv::drawMatchesという関数があるが # Pythonでは見つけられなかった… # 今後実装されるのかも cv2.imshow(“result”, result) cv2.waitKey()
- 13. OpenCV プログラム例 Haar-like特徴を使った顔検出 #!/usr/bin/env python import cv2 cc = cv2.CascadeClassifier() # 学習済みの識別器データを読み込み cc.load("haarcascade_frontalface_alt.xml"): img=cv2.imread("lena.jpg") # 顔検出 faces = cc.detectMultiScale(img, 1.1) #あとはfacesを画像に描画すればOK
- 14. Scipy.ndimage インストール： $ easy_install scipy 使ったことないですが… 各種フィルタ処理 ヒストグラム計算 モルフォロジ処理 どうやら内部でPILを呼んでいるようです
- 15. Scipy.ndimage プログラム例 略
- 16. PILとNumpyの相互変換 PIL -> Numpy nimg = numpy.asarray(pimg) Numpy -> PIL pimg = Image.fromarray(nimg) これで PIL/numpy/scipy/OpenCV の関数 が自由に利用できる！
- 17. ちょっとScipy感が足りない…ので 応用編： Numpy/Scipyを使った応用例
- 18. 物体領域抽出 領域抽出はあらゆる画像処理の基本！ 処理対象を画像中から見つける 背景差分法 - = 観測画像 背景画像 差分画像 画像はPETS 2001 dataset 3のものです
- 19. 固有空間を用いたモデル化による手法 観測画像 主成分分析 背景固有空間 背景の変化を 推定した背景画像 モデル化 ・・・ 時間
- 20. 基本的な主成分分析の計算方法 各画像(n枚)を1つのベクトル(d次元)にする ラスタスキャンを行う d次元ベクトルの共分散行列(d×d次元) を求める 共分散行列の固有値・固有ベクトルを求める もしくはd次元ベクトルを並べた行列Xを 特異値分解しても同じ 詳しくはPRML本12章
- 21. 主成分分析のPython実装 主成分分析 OpenCV cv2.PCACompute() scikit-learn sklearn.decomposition.PCA() 固有値・固有ベクトルの計算(を個別にやる場合) numpy.linalg.eig() scipy.linalg.eig() 注意点：教科書的にはデータxは列ベクトルだけど， プログラム的には行ベクトルで扱う
- 22. OpenCV プログラム例 # 頑張って各行に画像を入れる (imgvec=numpy.reshape(img,1)を使用) images = load_to_mat(filenames) # PCAする（３次元空間へ） mean, eigenvectors = cv2.PCACompute( images, maxComponents=3) # 背景を推定したい画像 img = cv2.imread(“input.bmp”) # 固有空間へ投影 vec = cv2.project(img, mean, eigenvectors) # 画像を復元 bgimg=cv2.backProject(vec, mean, eigenvectors) あとは img と bgimg を引き算すればOK
- 23. 行列がでかすぎて無理と言われます 画像は100万画素→300万次元のベクトル 共分散行列は300万^2の大きさに… 計算がメモリ上で不可能になってくる 共分散行列を計算しなくてもいいやり方 Dual PCA とか Kernel PCA 画像枚数^2の大きさの行列を処理するだけ
- 24. Scikit-learn プログラム例 import sklearn.decomposition # 線形カーネルでKernel PCA (たぶんDual PCAと同じ) kpca = sklearn.decomposition.KernelPCA(kernel=“linear", fit_inverse_transform=True) # 1行が1枚の画像になっている行列をもとに学習（とても時間がかかる） kpca.transform(images) # 背景を推定したい画像 img = cv2.imread(“input.bmp”).reshape(1) # 固有空間へ投影 vec = kpca.transform(img) # 画像を復元 bgimg = kpca.inverse_transform(vec)
- 25. 物体領域の計算 背景差分法 - = 観測画像 img 背景画像 bimg 差分画像 result # 画像同士の差を取る diff = cv2.absdiff(img,bimg) # しきい値以上の画素を選択 fgmask = diff < threshold # 差分結果の画像を生成 result=numpy.zeros(img.shape[0:2], dtype=numpy.uint8) result[ fgmask] = 255
- 26. まとめ Pythonでも画像処理できる！ もうPythonだけでいいやん！ 画像処理・認識を使ったWebサービス構築も 楽々…のはず！ しかし… やっぱり遅い 特にfor文使うと… スピードも欲しければCython使おう http://www.slideshare.net/lucidfrontier45/cython-intro あとPyCUDAとかPyOpenCLとか…
