|
АВТОРЕФЕРАТ
|
Источник: Соловьев Е.М."Сегментация многоградационных изображений"
http://window.edu.ru/window_catalog/files/r44964/Solovjev1-2.pdf
"Сегментация многоградационных изображений"
Порядок действий при сегментации многоградационных изображений принципиально не отличается от порядка действий при сегментации бинарного изображения. Можно сказать, что сегментация
полутонового изображения совмещает в себе выделение контура, пороговую бинаризацию и собственно сегментацию. Так же как и для
бинарных изображений, алгоритм является двухпроходным, с заполнением на первом проходе таблицы связности сегментов.
Решение об отнесении текущего пикселя к какому&либо сегменту
или фону, а в данном случае фон тоже можно считать сегментом, например, с нулевым номером, принимается по значениям перепадов
яркости между текущим пикселем и связанными с ним пикселями,
уже отнесенными к некоторым сегментам. Так как разница между
перепадами яркости пикселей соседних сегментов, как правило, значительно превышает перепады яркости между пикселями одного сегмента, то в результате все изображение будет разделено на отдельные
сегменты, в которых перепады яркости пикселей по выбранной связности не превышают некоторого порога.
На первый взгляд, данный метод позволяет эффективно сегментировать изображения, плохо поддающиеся бинаризации. Но практическое применение наталкивается на существенные трудности,связанные в основном с выбором уровня порога, а также степенью
резкости и контрастности изображения. В самом деле, при наличии
высокой контрастности и широкой контурной линии можно получить несколько ложных фрагментов в виде вложенных контуров. При
размытом контуре может сложиться ситуация, при которой перепад
яркости между соседними пикселями фона, контурной линии и собственно сегмента не превышает порога сегментации, хотя перепад
между средними значениями яркости пикселей фона и сегмента может и превышать его. В результате пиксели линии контура и сегмен&
та будут ошибочно присоединены к фону. Очевидно, данный метод
можно рекомендовать в первую очередь для сегментации контурных
изображений.
В качестве примера (рис. 7.3) приведен результат сегментации
полутонового и предварительно бинаризованного изображения, а
также сегментация контурного изображения, полученного путем обработки исходного изображения оператором Кирша.
Наиболее сложными следует признать методы сегментации, основанные на анализе текстуры изображения. Известно большое
количество работ, посвященных анализу текстуры изображений и
использованию текстурных свойств изображения для сегментации
и собственно распознавания образов [14]. Часто под текстурой понимается некоторым образом организованный участок изображения [15]. Эта организация носит характер как яркостной, так и
пространственной регулярности. Выделенные тем или иным способом текстурные элементы могут объединяться в более общие
структуры, а степень их различия определяет результаты сегментации. В зависимости от яркостных и геометрических характеристик текстурных элементов применяют различные методы их выявления и сравнения.
Для сравнительно крупных фрагментов могут применяться автокорреляционные функции, причем, коэффициент корреляции служит мерой зависимости одного текстурного элемента от другого. По
степени изменения автокорреляционной функции можно судить о
степени зернистости структуры, так как от размеров текстурных элементов зависит скорость изменения автокорреляционной функции.
Для бинарных изображений текстуру можно описывать в геометрических терминах. На изображении выделяется совокупность пик&
селей некоторой сравнительно простой формы (отрезок линии, квадрат), которая и принимается за текстурный элемент. Методом маски
на изображении находятся аналогичные элементы и проводится статистический анализ полученных результатов.
Сегментация после бинаризации и медианной фильтрации
Рис. 7.3. Сегментация изображени
Текстуру изображения можно выявить и составлением матрицы
смежности, т. е. матрицы относительных частот Pij наличия на изображении точек с яркостями i и j, расположенных на расстоянии d
относительно друг друга. Такие матрицы, составленные для разных
значений d, характеризуют пространственную взаимозависимость
значений яркости, зависят от направления и расстояния между пикселями. Было показано [16], что для широкого класса изображений
основная текстурная информация содержится в пространственной
взаимозависимости значений яркости.
Текстурные характеристики изображения можно описывать и с
помощью длин серий, под которыми понимается некоторый текстурный элемент, состоящий из максимально связанной совокупности
вытянутых в линию пикселей одинаковой или близкой яркости. Серия может характеризоваться значением яркости, длиной, направ&
лением.
Структурный подход к описанию текстуры основан на предположении, что текстура составлена из регулярно или почти регулярно
распределенных по изображению сегмента непроизводных элементов. Следовательно, описание текстуры должно состоять из описания этих непроизводных элементов и правил их размещения. В данном случае под непроизводным элементом понимается связанное множество пикселей, характеризуемое некоторым набором признаков.
Простейший непроизводный элемент – одиночный пиксель с яркостью в качестве признака. Для более сложных элементов признаками могут быть как яркостные характеристики (постоянная яркость,
средняя яркость и ее дисперсия для пикселей, входящих в непроизводный элемент), так и геометрические (форма и размеры элемента).
Различаются слабые и сильные текстуры. В слабых текстурах пространственное взаимодействие непроизводных элементов мало. Для
их описания достаточно определить частоту повторения того или
иного непроизводного элемента в некоторой локальной области изображения. В сильных текстурах пространственные связи неслучайны, и для их описания необходимо вычислять частоту повторения
каждой пары непроизводных элементов, связанных определенным
пространственным отношением.
Из сказанного выше о методах сегментации, основанных на анализе текстуры изображения, можно сделать вывод о значительной
сложности алгоритмов данного класса методов и, как следствие, существенных временных затратах при их использовании. Кроме этого, для получения надежных результатов сегментации, как правило, необходима разнообразная априорная информация об объектах.В связи с этим использование методов сегментации по текстурным
признакам носит ограниченный характер, хотя текстурные характеристики могут использоваться на этапе непосредственно распознавания как признаки, инвариантные к пространственным искажениям.
|