Hello, dear friend, you can consult us at any time if you have any questions, add WeChat: daixieit

Mid-Semester Test

Semester 2, 2019

COMP3007 Machine Perception

Question 1  Perception Pipeline (20 Marks)

You are developing a machine vision system for automatic shark detection along the WA coastline. The developed vision algorithms should be able to process images from aerial cameras, detect the area of sharks’ presence and recognise sharks in images.

•    Propose two suitable platforms where the developed machine vision system can be used for this task. Briefly describe their advantages and disadvantages. (8 marks)

•    Sketch the pipeline of the proposed automatic shark detection system. Clearly indicate in your drawing the data flowing between the blocks and the final outputs from this pipeline. For each block in the pipeline, identify one or more challenges. (12 marks)

Question 2 - Image Processing (20 Marks)

Question 2a  Image Representation

Suppose the intensity levels of images are represented with 8-bit numbers (0-255). How many bits do we need to store a 100x100 colour image?

[4 Marks]

Question 2b  Histogram Equalization

With an example, explain how histogram equalization can be used to increase the contrast of an image.

[8 Marks]

Question 2c - 2D Transformation

With the help of diagrams, explain what property is preserved in each of the following 2D transformations: 1) affine transformation, and 2) perspective transformation.

[8 Marks]

Question 3 - Feature Detection (20 Marks)

Points, edges, lines and regions are the common features to be detected in computer vision.

a)   Briefly explain the purpose to detect each of these four features, and for each of them, name a suitable application.

[8 Marks] b)  Edge detectors are based on image gradients. Explain briefly how to compute image

gradients using image convolutions and how many convolution kernels are required to compute image gradients.

[ 12 Marks]

Maximally Stable Extremal Regions Algorithm

Question 4 - Feature Extraction (20 Marks)

Question 4a - Binary shape analysis

In the binary image shown below, the foreground pixels of interest are the white boxes. Suppose  that  the  objects  are  4-connected  and  you  are  using  a  two-pass  connected- component labelling algorithm to find and label the blobs.

1.   Indicate the labels obtained after the first and second passes; and

2.   Provide the sets of equivalent labels after the first pass; and

3.   State the final number of blobs detected and compute the area of each blob.

[15 marks]

















































































Figure 1: First pass.

















































































Figure 2: Second pass.

Question 4b  HOG and SIFT

In 3D scene reconstruction from multiple 2D images which are taken from different views of

the  same  3D  scene,  key  point  matching  between  images  are  required.  Which  feature descriptors, HOG or SIFT, are more suitable? Justify your answer.

[5 marks]

Question 5 - Clustering (20 Marks)

The patterns in Figure 3 include two clusters which are depicted by diamonds and circles respectively, and two outliers which are depicted by triangles. All the grids have the same size which is 1cm x 1cm.  Explain the advantages of DBSCAN when compared with k-Means, and use the example in Figure 3 to show these advantages. Clearly show that it is not possible for k-Means to simultaneously cluster diamond points into one cluster and cluster those circle points into another cluster, and show that these points can be clustered into two clusters by DBSCAN when proper density parameters, namely the neighbourhood radius and the number of points that define a threshold for core points, are selected. At least two advantages of DBSCAN should be discussed.





































Figure 3