home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #26 / NN_1992_26.iso / spool / comp / graphics / visualiz / 1749 < prev    next >
Encoding:
Internet Message Format  |  1992-11-12  |  3.4 KB
  1. Path: sparky!uunet!mcsun!uknet!edcastle!airdg
  2. From: airdg@castle.ed.ac.uk (Richard Grey)
  3. Newsgroups: comp.graphics.visualization
  4. Subject: Visual Force Detection in Landscape
  5. Message-ID: <28047@castle.ed.ac.uk>
  6. Date: 12 Nov 92 13:05:33 GMT
  7. Organization: Edinburgh University
  8. Lines: 73
  9.  
  10. I hope this is the right place to post, and that somebody out there may
  11. be able to help me, (no matter what small a way !).
  12.  
  13. The following is an introduction to a project I am undertaking for the
  14. Forestry Commission here in Scotland :
  15.  
  16. Abstract
  17. --------
  18.                 The production of an automatic system   
  19.                 capable of identifying the visual force
  20.                 aspects of landscape using contour data.
  21.  
  22. Description
  23. -----------
  24.         Visual force is a principle which is embodied in art,
  25. graphic design, and architecture.  The eye and mind respond to visual
  26. force in a predictable and dynamic way.  The visual forces in landform
  27. draw the eye down convex slopes and up concave ones, the strength of
  28. the force depending on the scale and irregularity of the landform.
  29.  
  30. Steps
  31. -----
  32.         The starting point for this project is with contour data for a
  33. specific region, ideally an array of National Survey coordinate /
  34. altitude points. From the input, we must then be able to identify the
  35. convex and concave features (ie. be able to label each pixel as being
  36. one of : valleys, ridges, hollows, peaks and saddles etc.) and then
  37. grouping these to form connected patches and remove trivial (single
  38. pixel) patches. I hope to be able to use something like the Canny
  39. non-maximal suppression (with Du Li's edge tracking) process for then
  40. finding and connection the peaks and troughs of the ridges and valleys.
  41.  
  42. From all this, hopefully then we can estimate the scale and irregularity
  43. of the landform features and so calculate the visual saliency.
  44.  
  45. ----------
  46.  
  47.         My first main problem is the classification of each
  48.         pixel into either ridges, valleys etc. At the moment, 
  49.         I am looking into Besl & Jain's method of using the
  50.         Mean and Gaussian curvatures (H & K values) to classify
  51.         non-planar patches, and hence determine whether they
  52.         are concave or convex, where the H & K values are found
  53.         using a biquadratic fit.
  54.  
  55.         From this information, I need to group pixels into
  56.         features so I can proceed with the Canny suppression and
  57.         track edges.
  58.  
  59.         Is there any better way I might approach the two above ?
  60.         Does anybody have any further enlightening information
  61.         on my best approach (references seem to be virtually
  62.         non-existent), or, better still, algorithms to do the
  63.         above (I have some Canny stuff) ?
  64.  
  65. I would much appreciate any email replies that may be of use, and, if
  66. there is enough interest / doubts/ queries, I will post some sort of
  67. summary.
  68.  
  69. Cheers.
  70.  
  71. Richard.
  72. =-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
  73.  
  74.                          airdg@castle.ed.ac.uk
  75.           _______   __   ______   __   __   _______   _______   _______
  76.          / ___  /  / /  / ____/  / /  / /  / ___  /  / ___  /  / ___  /
  77.         / /__/_/  / /  / /      / /--/ /  / /__/ /  / /__/_/  / /  / /
  78.        / /\ \    / /  / /___   / /--/ /  / /--/ /  / /\ \    / /__/ /
  79.       /_/  \_\  /_/  /_____/  /_/  /_/  /_/  /_/  /_/  \_\  /______/
  80.  
  81.         { Edinburgh University Dept. of Artificial Intelligence }
  82. =-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
  83.