Knowing the shapes, sizes and positional relations between features in an image can be useful for different types of image processing.Using a Distance Transform can give us these properties as a Distance Map.There are many different variations of distance transforms that can increase accuracy or add functionality, two such transforms are the Anti-Aliased Euclidean Distance Transform and the Signed Euclidean Distance Transform.To get the benefits of both of these it is of interest to see if they can be combined and if so, how does it perform?Investigating the possibility of such a transform is the main object of this thesis. To create this combined transform a copy of the image was created and then inverted, both images are transformed and the resulting distance maps are combined into one.Signed distance maps are created for three transforms using this method. The transforms in question are, EDT, AAEDT and VAAEDT.All transforms are then evaluated using a series of images containing two randomly placed circles, the circles are created using simple Signed Distance Functions. The signed transforms work and the AAEDT performs well compared to the Signed Euclidean Distance Transform.These results were expected as a similar gap in results can be seen between the regular EDT and AAEDT.But, this transform is not perfect and there is room for improvements in the accuracy, a good start for future work. / Att känna till formen, storleken samt olika objekts position relativt till varandra i en bild kan vara användbart för olika former av bildanalys.En Distance Transform kan ge oss alla dessa egenskaper i form av en ny bild, en så kallad avståndskarta.Det finns flera olika transformer som producerar avståndskartor med olika egenskaper och precision, två exempel är Anti-Aliased Euclidean Distance Transform och Signed Euclidean Distance Transform.För att få den ökade precisionen av Anti-Aliased Euclidean Distance Transform och funktionaliteten från en dubbelriktad så är det relevant att undersöka om de går att kombinera och om det går, hur presterar den nya transformen?Att undersöka om detta är möjligt är huvudmålet med detta arbete. För att skapa denna kombinerade transform så kopieras och inverteras bilden som ska transformeras, både kopian och orginalet transformeras sedan och de resulterande avståndskartorna kombineras till ett resultat.Dubbelriktade avståndskartor skapas för tre transformer, Euclidean Distance Transform, Anti-Aliased Euclidean Distance Transform och Vector Anti-Aliased Euclidean Distance Transform.Alla tre transformer utvärderas sedan genom en serie testbilder innehållandes två slumpmässigt placerade cirklar, skapade med hjälp av vektormatematik. De dubbelriktade transformerna fungerar och resultaten är i linje med motsvarande resultat för enkelriktade transformer.Detta betyder dock inte att resultaten är perfekta, utan det finns utrymme för prestandavinster i precisionen, detta är därför en bra startriktning för framtida förbättringsarbete.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-187906 |
| Date | January 2022 |
| Creators | Johanssson, Erik |
| Publisher | Linköpings universitet, Informationskodning |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0059 seconds