森林图像中的检测痕迹

30

有谁知道有任何研究/论文/软件来识别森林场景图像中的踪迹（从直线或点对点曲线）（从沿着踪迹某处的相机的角度来看）？

我正在尝试找到一种可以拍摄像这样的图像的算法：

替代文字

并制作一个遮罩，标识可能的“痕迹”，例如：

替代文字

如您所见，原始图像有点模糊，这是有目的的。图像源无法保证完美对焦，因此我需要能够处理合理数量的噪点和模糊度。

我的第一个想法是应用高斯模糊，然后将图像分割为块，比较相邻块以寻找明显的色差（指示轨迹“边缘”）。但是，我很快意识到阴影和照明的其他变化很容易使它消失。

我当时正在考虑提取SURF特征，但是只有当图像完全清晰且光照一致时，SURF / SIFT才成功。

我还尝试将图像和蒙版缩放到更小的尺寸（例如100x75），将它们转换为1xN向量，并使用它们来训练基于FANN的神经网络（其中图像是输入，而蒙版是所需的蒙版）输出）。即使是这么小的尺寸，只有1个隐藏层占输入向量大小的75％，训练仍然花费了6个小时，而且仍然无法预测测试集中的任何遮罩。

有人可以针对该主题提出任何其他方法或论文吗？

image-processing computer-vision

— 塞林
source

1

您没有提及任何内容，但是您控制相机/图像采集吗？人们在类似情况下使用近红外图像来使用植被指数（考虑从卫星计算森林覆盖率）。如果您有近红外线，则可以直接解决该问题。

— 2011年

我有，有点。我正在使用便宜的单筒相机（网络摄像头/手机相机）拍摄图像，但我不认为它们会存储红外线。

— Cerin

使用可以区分植被和污垢光谱的多个滤色镜可能会有所帮助

— Endolith 2011年

我很好奇您是否尝试过贝叶斯方法进行训练和检测。我有几天前写的答案，但后来删除了它，因为我认为您在尝试后已将其关闭。如果您尚未考虑该选项，我很乐意取消删除它。

— Lorem Ipsum

@yoda，贝叶斯方法是什么意思？我只熟悉贝叶斯应用于离散分类和逻辑网络。我不熟悉将其应用于简历。我不记得您看到过任何帖子。

— 塞林

13

它本身可能还不够，但是由于问题之一与照明变化有关，因此阴影去除预处理步骤可能会有所帮助。我正在考虑的技术在以下论文中进行了描述：

“关于去除图像中的阴影”，GD Finlayson，SD Hordley，C。Lu和MS Drew，IEEE模式分析和机器智能（PAMI），第28卷，第1期，2006年1月，第59- 68。 http://www.cs.sfu.ca/~mark/ftp/Pami06/pami06.pdf

该过程的第一部分生成照度不变的灰度图像，在这种情况下，这可能就是您想要的。这是他们在论文中给出的示例的快照：

_{（来源：datageist.com）}

实际上，将处理过程更进一步以产生“色度”图像可能是您需要清晰地区分活叶和枯叶的条件。再次，本文提供了一个示例：

_{（来源：datageist.com）}

但是要注意的是，相机需要首先进行校准。假设有可能，它们描述的表示形式的某种组合可能会使您使用的其他方法更有效。

— datageist
source

12

我认为您在源图像中没有足够的信息来生成蒙版图像。您可能会先按颜色进行细分，即绿色不是尾迹，灰色/棕色是尾迹。但是，遮罩中未显示“足迹边界”上的灰色/棕色区域。（请参见源图像的左下象限。）

您提供的遮罩暗示了源图像中不明显的结构约束：例如，您的迹线具有固定宽度-然后您可以使用该信息来约束模式识别器返回的初步遮罩。

继续讨论结构性主题：路径是否与其他路径合并？路径是否具有某些土壤/砾石特征？作为一个人类（相当擅长模式识别！），我受到左下象限中显示的功能的挑战：我看到灰色/棕色区域无法作为“足迹”打折。如果我掌握了更多信息，也许可以结论性地做到这一点：一张地图和一个大概已知的位置，在这条路上的个人经历，或者可能是导致这一点的一系列图像-如果识别器“知道是什么导致了这一幕。

我认为，收集图像是最有趣的方法。继续这一思路：一幅图像可能无法提供足够的数据，但是全景视图可能会模糊场景。

— 1986年
source

是的，足迹与其他人合并。是的，足迹由土壤/砾石特征来描绘，因为这些特征应与非足迹区域不同。我同意，该图像在某些部分可能具有挑战性，但我仍然认为有足够的信息可以对路线的位置做出很好的猜测。即使您不熟悉这条路线，听起来也没有问题（除了左下角的区域，这是可以理解的）。

确实，我可以很好地猜出这条路的边界。但是，恐怕我所依赖的信息多于源图像中提供的信息。我“知道”一条路径是什么-大概是因为我已经建立了一条包含路径的显着特征的模型或模板：通过直接体验，或在图片中看到定义明确的路径等。总结：在识别路径时在源图像中，我所绘制的内容比在源图像中所观察到的更多。

视觉系统可能会利用该路径的一些特征：大概我们可以假设该路径代表自由的可导航空间。因此，树木，灌木丛和岩石特征可以归类为“非足迹”。也许纹理分析可以帮助辨别这些？不过，我不确定：树下的地面（从左上到中）看起来与小径非常相似。

我的第一个想法是引用LU或Eigen变换，当纹理非常粗糙时，它们会产生很高的响应。但是，这里的足迹与非足迹之间的主要区别似乎是颜色。因此，也许将其转换为HSV色彩空间，并从具有“土”色（棕褐色或cher石色）的像素制作遮罩，即可得出粗略估计。

— AruniRC

12

没有任何一种算法可以神奇地检测随机图像中的踪迹。您将需要实现一个基于机器学习的例程，并对其进行“训练”以检测踪迹。无需赘述太多，这是您在监督学习方法中将要进行的工作的粗略概述。

您将需要一组“培训示例”，我的意思是在不同环境中的多条路径照片，您（主管）已在其中标记了什么算作“足迹”，什么是背景“森林”。您可以将图像分解为较小的部分（通常为8x8），然后通过对块进行DCT（离散余弦变换）将其转换为“特征空间”。在这种情况下，每个块的DCT给您一个64点的“特征向量”。
定义特征空间，特征集（64点特征向量的子集）和具有类和的类空间，可以计算出从您的训练集中： $\mathcal{X}$ $\mathbf{x}$ $\mathcal{Y}$ $y_1=trail$ $y_2=forest$
- 类条件分布
  - $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|trail)$ ，即类为时的条件密度。 $trail$
  - $\mathcal{P}_\mathcal{X|Y}(\mathbf{x}|forest)$ ，当类为时的条件密度。 $forest$
- 班级概率或先验概率
  - $\mathcal{P}_\mathcal{Y}(trail)$ ，在块中找到概率 $trail$
  - $\mathcal{P}_\mathcal{Y}(forest)$ ，在块中找到概率 $forest$
使用此工具，您可以测试图像（再次将其分解为较小的部分）并计算后验概率。使用贝叶斯决策理论，您将定义二进制（在这种情况下）选择标准，例如

${\tilde{y}}_{i} (x) = \arg max_{y_{i}} P_{X | Y} (x | y_{i}) P_{Y} (y_{i})$ $\widetilde{y}_i(\mathbf{x})=\arg \max_{y_i}\quad \mathcal{P}_\mathcal{X|Y}(\mathbf{x}|y_i)\ \mathcal{P}_\mathcal{Y}(y_i)$ ，您将每个块分配给具有最高后验概率的类别。这将导致您的二进制掩码。