Abstract
Realizzate due utilità di computer vision: (1) uno strumento di binarizzazione guidato dall'istogramma con tuning auto/manuale e GUI, e (2) un rilevatore di punti di fuga che combina Canny, Hough probabilistico e RANSAC (500 iterazioni, tolleranza 5 px). La pipeline adatta le soglie alle statistiche dell'immagine, sovrappone le 15 linee più significative e documenta confronti SSIM con Otsu.
Informazioni
Il modulo di binarizzazione minimizza una loss personalizzata basata sulla distanza dei pixel da una soglia candidata. La modalità automatica adatta i pesi in funzione della media dell'istogramma (privilegiando zone scure o chiare), mentre la modalità manuale permette di sbilanciare soglie sotto/sopra. L'output include il grafico della loss e il confronto SSIM con Otsu. Il tool dei punti di fuga converte in scala di grigi, applica Canny adattivo (mediana ±0.22), esegue più volte l'Hough probabilistico mantenendo i dieci segmenti più lunghi per iterazione, rimuove linee verticali/parallele ed esegue RANSAC per 500 iterazioni scegliendo l'intersezione supportata dal maggior numero di linee entro 5 px. I risultati sono esportati con punto di fuga e 15 linee sovrapposte, e possono essere elaborati in batch via CLI.
Risultati chiave
- 500
- RANSAC Iterations
- 5 pixels
- Threshold
- 10 longest per run
- Hough Lines
Scoperte principali
- La sogliatura automatica guidata dalla loss ha generato binarizzazioni più pulite sui campioni Lake, Cars e Lena rispetto a Otsu o alla regolazione manuale.
- Sul dataset le soglie automatiche hanno prodotto valori SSIM inferiori a 0.2 rispetto a Otsu, confermando output strutturalmente diversi ma più nitidi.
- La combinazione Hough probabilistico + RANSAC (500 iterazioni, tolleranza 5 px) ha individuato con costanza i punti di fuga dominanti restituendo overlay con 15 linee per ogni immagine.
- Le soglie Canny adattive (mediana ±0.22) hanno permesso di elaborare in batch, via CLI e GUI, l’intero dataset senza ritocchi manuali.
Sfide
- Gli SSIM rimangono bassi perché la binarizzazione altera la distribuzione di luminanza; serve ancora revisione qualitativa.
- RANSAC può non cogliere punti di fuga secondari (scene a più direzioni) senza clustering aggiuntivo.
- La reattività della GUI dipende dalla dimensione dell'immagine; file grandi richiedono ricalcoli lenti della loss.
Metodologia
- 01Histogram Thresholding
- 02Canny Edge Detector
- 03Probabilistic Hough Transform
- 04RANSAC
- 05OpenCV