代做Image Filtering and Hough Transform代做R语言

日期：2024-06-28 06:49

Fundamentals of Computer Vision

Project Assignment 1

Image Filtering and Hough Transform

In this assignment you will be implementing some basic image processing algorithms and  putting them together to build a Hough Transform based line detector.  Your code will be  able to find the start and end points of straight line segments in images. We have included  a number of images for you to test your line detector code on.  Like most vision algorithms,  the Hough Transform. uses a number of parameters whose optimal values are (unfortunately)  data dependent, that is, a set of parameter values that works really well on one image might  not be best for another image. By running your code on the test images you will learn about what these parameters do and how changing their values afects performance.

Many of the algorithms you will be implementing as part of this assignment are functions in the Matlab image processing toolbox. You are not allowed to use calls to functions in this assignment.  You may however compare your output to the output generated by the image processing toolboxes to make sure you are on the right track.

Instructions

1.  Integrity and collaboration:  Students are encouraged to work in groups but each student must submit their own work. If you work as a group, include the names of your collaborators in your write up. Code should NOT be shared or copied.  Please DO NOT use external code unless permitted. Plagiarism is strongly prohibited and may lead to failure of this course.

2.  Start early! Especially those not familiar with Matlab.

3.  Questions: If you have any questions, please look at canvas discussion first. Other students may have encountered the same problem, and it maybe solved already. If not, post your question on the discussion board. Teaching staf will respond as soon as possible.

4.  Write-up: Your write-up should mainly consist of three parts, your answers to theory  questions, the resulting images of each step, that is, the output of houghScript . m, and  the discussions for experiments.  Please note that we DO NOT accept handwritten scans for your write-up in this project. Please type your answers to theory questions and discussions for experiments electronically.

5.  Submission: Your submission for this assignment should be a zip file,

<First_FmilyName. zip>, composed of your write-up, your Matlab implementations  (including any helper func-tions), and your implementations, results for extra credit (optional). Please make sure to remove the data/ and result/ folders, the houghScript . m and drawLine . m scripts, and any other temporary files you generated.

Your final upload should have the files arranged in this layout: <First_FmilyName>. zip

• <First_FmilyName>

–  <First_FmilyName>. pdf

– matlab

* myImageFilter . m

* myEdgeFilter . m

* myHoughTransform . m

* myHoughLines . m

* any helper functions you need

–  ec

* myHoughLineSegments . m

*  ec . m

* your own images

* your own results

6.  File paths:  Please make sure that any file paths that you use are relative and not absolute. Not  imread(’/name/Documents/subdirectory/hw1/data/xyz. jpg’) but imread(’ . ./data/xyz. jpg’).

1    Theory questions

Type down your answers for the following questions in your write-up.    Each question should only take a couple of lines. In particular, the proofs” do not require any lengthy calculations. If you are lost in many lines of complicated  algebra you are doing something much too complicated (or wrong).

Q1.1 Hough Transform Line Parametrization                                           (20 points)

1.  Show that if you use the line equation p = x cos θ +ysin θ, each image point (x, y) results in a sinusoid in (p, θ) Hough space.  Relate the amplitude and phase of the sinusoid to the point (x, y).

2.  Why do we parametrize the line in terms (p, θ) instead of the slope and intercept (m, c)? Express the slope and intercept in terms of (p, θ).

3.  Assuming that the image points  (x, y) are in an image of width W and height H , that is, x ∈ [1, W], y ∈ [1, H], what is the maximum absolute value of p, and what is the range for θ?

4.  For point (10; 10) and points (20; 20) and (30; 30) in the image, plot the cor- responding sinusoid waves in Hough space, and visualize how their intersection point defines the line. What is (m; c) for this line?. Please use Matlab to plot the curves and report the result in your write-up.

2    Implementation

We have included a main script named houghScript.m that takes care of reading in images from a directory, making function calls to the various steps of the Hough transform  (the functions  that you will be implementing) and generates images showing the  output and some of the intermediate steps. You are free to modify the script as you want, but note that TAs will run the original houghScript.m while grading.  Please make sure your code runs correctly with the original script and generates the required output images.

Every script and function you write in this section should be included in the matlab/ directory.  Please include resulting images in your write-up.

Q2.1 Convolution                                                                                                 (20 points)

Write a function that convolves an image with a given convolution filter function  [img1]  = myImageFilter(img0,  h)

As input, the function takes a greyscale image (img0) and a convolution filter stored in matrix h.  The output of the function should be an image  img1 of the same size as img0 which results from convolving img0 with h.  You can assume that the filter h is odd sized along both dimensions.  You will need to handle boundary cases on the edges of the image.  For example, when you place a convolution mask on the top left corner of the image, most of the filter mask will lie outside the image.  One solution is to output a zero value at all these locations, the better thing to do is to pad the image such that pixels lying outside the image boundary have the same intensity value as the nearest pixel that lies inside the image.

You  can  call  Matlab’s  function to  pad  array.   However,  your  code  can  not  call  on  Matlab’s imfilter, conv2, convn, filter2 functions, or any other similar functions. You may compare your output to these functions for comparison and debugging. It is better to vectorize this function. Examples and meaning of vectorization can be found here. Specifically, try to reduce the number of for loops that you use in the function as much as possible.

Q2.2 Edge detection                                                                                           (20 points) 

Write a function that finds edge intensity and orientation in an image.  Display the output of your function for one of the given images in the handout.

function  [img1]  =  myEdgeFilter(img0,  sigma)

The function will input a greyscale image  (img0) and scalar  (sigma).   sigma is  the standard deviation of the Gaussian smoothing kernel to be used before edge detection. The function will output img1, the edge magnitude image.

First, use your convolution function to smooth out the image with the specified Gaus- sian kernel. This helps reduce noise and spurious fine edges in the image. Use fspecial to get the kernel for the Gaussian filter. The size of the Gaussian filter should depend on sigma (e.g., hsize  =  2  *  ceil(3  *  sigma)  +  1).

The  edge  magnitude  image  img1 can  be  calculated  from  image  gradients  in  the  x direction and y direction. To find the image gradient imgx in the x direction, convolve the smoothed image with the x-oriented Sobel filter.   Similarly, find image gradient imgy in the y direction by convolving the smoothed image with the y-oriented Sobel filter. You can also output imgx and imgy if needed.

In many cases, the high gradient magnitude region along an edge will be quite thick. For finding lines its best to have edges that are a single pixel wide. Towards this end, make your edge filter implement non-maximum suppression, that is for each pixel look at the two neighboring pixels along the gradient direction and if either of those pixels has a larger gradient magnitude then set the edge magnitude at the center pixel to zero. Map the gradient angle to the closest of 4 cases, where the line is sloped at almost 0。, 45。, 90。, and 135。. For example, 30。 would map to 45。.

For more details about non-maximum suppression, please refer to the last page of this handout.

Your code cannot call on Matlab’s edge function, or any other similar functions. You may use edge for comparison and debugging. A sample result is shown in Figure 1.

Figure 1: Edge detection result.

Q2.3 The Hough transform.                                                                               (20 points)

Write a function that applies the Hough Transform to an edge magnitude image. Dis- play the output for one of the images in the write-up.

function  [H,  rhoScale,  thetaScale]  = myHoughTransform(Im,  threshold, rhoRes,thetaRes)

Im is the edge magnitude image, threshold (scalar) is a edge strength threshold used to ignore pixels with a low edge filter response.  rhoRes (scalar) and thetaRes (scalar) are the resolution of the Hough transform. accumulator along the p and θ axes respectively. H is the Hough transform accumulator that contains the number of “votes” for all the possible lines passing through the image. rhoScale and thetaScale are the arrays of p and θ values over which myHoughTransform generates the Hough transform matrix H. For example, if rhoScale(i) = pi  and thetaScale(j) = θi , then H(i,j) contains the votes for p = pi  and θ = θi.

First, threshold the edge image.   Each pixel  (x; y) above the threshold is a possible point on a line and votes in the Hough transform for all the lines it could be a part of.  Parametrize lines in terms of θ and p such that p = x cos θ + ysin θ , θ ∈ [0; 2π] and p ∈ [0; M].   M should be large enough to accommodate all lines that could lie in an image.  Each line in the image corresponds to a unique pair (p; θ) in this range. Therefore, θ values corresponding to negative p values are invalid, and you should not count those votes.

The accumulator resolution needs to be selected carefully.  If the resolution is set too low, the estimated line parameters might be inaccurate.  If resolution is too high, run time will increase and votes for one line might get split into multiple cells in the array.

Your code cannot call Matlab’s hough function, or any other similar functions.  You may use hough for comparison and debugging.  A sample visualization of  H is shown in Figure 2.

Figure 2: Hough transform result.

Q2.4 Finding lines                                                                                               (15 points)

Write a function that uses the Hough transform output to detect lines,

function  [rhos,  thetas]  = myHoughLines(H, nLines)

where H is the Hough transform accumulator, and nLines is the number of lines to return.  Outputs rhos and thetas are both nLines×1 vectors that contain the row and column coordinates of peaks in H, that is, the lines found in the image.

Ideally, you would want this function to return the ρ and θ coordinates for the nLines highest scoring cells in the Hough accumulator.  But for every cell in the accumulator corresponding to a real line (likely to be a locally maximal value), there will probably be a number of cells in the neighborhood that also scored high but should not be selected. These non maximal neighbors can be removed using non maximal suppression.  Note that this non maximal suppression step is diferent from the one performed earlier. Here you will  consider  all  neighbors  of a  pixel,  not just the  pixels  lying  along the gradient direction. You can either implement your own non maximal suppression code or find a suitable function on the Internet (you must acknowledge and cite the source in your write- up, as well as hand in the source in your matlab/ directory).  Another option is to use Matlab function imdilate.

Once you have suppressed the non maximal cells in the Hough accumulator, return the coordinates corresponding to the strongest peaks in the accumulator.

Your code can not call on Matlab’s houghpeaks function or other similar functions. You may use houghpeaks for comparison and debugging.

Q2.5 Fitting line segments for visualization                                                 (5 points)

Now you have the parameters ρ and θ for each line in an image.  However, this is not enough for visualization.  We still need to prune the detected lines into line segments that do not extend beyond the objects they belong to.  This is done by houghlines and drawLines . m.  See the scripthoughScript . m for more details.  You can modify the parameters of houghlines and see how the visualizations change. As shown in Figure 3, the result is not perfect, so do not worry if the performance of your implementation is not good. You can still get full credit as long as your implementation makes sense.

Figure 3: Line segment result.

Q2.5x Implement houghlines yourself                                              (extra:  10 points)

In Q2.5, we used the Matlab built-in function houghlines to prune the detected lines into line segments that do not extend beyond the objects they belong to. Now, it’s our turn to implement one ourselves! Please write a function named myHoughLineSegments and then compare your results with the Matlab built-in function in your write-up. Show at least one image for each and briefly describe the diferences.

function  [lines]  =  myHoughLineSegments(lineRho,  lineTheta,  Im)

Your function should output lines as a Matlab array of structures containing the pixel locations of the start and end points of each line segment in the image. The start location of the ith   line segment should be stored as a 2 × 1 vector lines(i) . start and the end location as a 2 × 1 vector in lines(i) . stop.  Remember to save your implementation in the ec/ directory.

Your code cannot call on Matlab’s houghlines function, or any other similar functions. You may use houghlines for comparison and debugging.

3    Experiments

Q3.1                                                                                                                        (15 points)

Use the script included to run your Hough detector on the image set and generate intermediate output images. Include the set of intermediate outputs for one image in your write-up. Did your code work well on all the image with a single set of parameters? How did the optimal set of parameters vary with images? Which step of the algorithm causes the most problems?  Did you find any changes you could make to your code or algorithm that improved performance?  In your write-up, you should describe how well your code worked on diferent images, what efect do the parameters have and any improvements you made to your code to make it work better.

4    Try your own images!

Q4.1x Implement houghlines yourself                                               (extra: 10 points)

Take five pictures, either with a camera of your own, or from the Internet. Write a script ec . m to take care of reading in your images (use a relative path here, not absolute), making function calls to the various steps of the Hough transform, and generating images showing the output and some of the intermediate steps (like houghScript. m). Submit your own images and ec . m in ec/.  Please include resulting images in your write-up.

5    Non-maximum suppression

Non-maximum suppression (NMS) is an algorithm used to find local maxima using the property that the value of a local maximum is greater than its neighbors. To implement the NMS in 2D image, you can move a 3 × 3 (or 7 × 7, etc.)  filter over the image.  At every pixel, the filter suppresses the value of the center pixel (by setting its value to 0) if its value is not greater than the value of the neighbors.  To use NMS for edge thinning, you should compare the gradient magnitude of the center pixel with the neighbors along the gradient direction instead of all the neighbors.  To simplify the implementation, you can quantize the gradient direction into 8 groups and compare the center pixel with two of the 8 neighbors in the 3 × 3 window, according to the gradient direction. For example, if the gradient angle of a pixel is 30。, we compare its gradient magnitude with the north-east and south-west neighbors and suppress its magnitude if it’s not greater than these two neighbors.