Разработка архитектуры скелетонизации

на шестигранной решетке

S.Veni, K.A.Narayanankutty, M.Kiran Kumar

Department of ECE,Amrita vishwa vidya Peetham, Coimbatore,Tamil Nadu,India

s_veni@ettimadai.amrita.edu, ka_narayanankutty@ettimadai.amrita.edu

http://www.amrita.edu/Engineering/Faculty

Аннотация

Эта статья описывает операции  скелетонизации и восстановления  цифрового изображения с помощью процессоров  синхронных массивов, основанных на гексагональной выборке изображений. Измененная архитектура была построена по принципу алгоритма Хилдича с помощью синхронной обработки на гексагональной сетке. Основанный на операциях для прямоугольной скелетонизации, алгоритм предназначен для восстановления изображений. Была исследована обработка элементов, соединенных в прямоугольные и гексагональные массивы. Шестигранное восстановление дало желаемые результаты, с точки зрения времени и производительности. Для аппаратной реализация было использовано ModelSim моделирование, Quartus II Software для анализа и синтеза. Производительность была проверена с помощью Альтера Cyclone II FPGA. Было отмечено, для изображения примеров на гексагональной сетке затрачивается меньше системных ресурсов, чем на прямоугольной сетке.

Вступление

Начиная с Голая [3], возможность использования гексагональной структуры для представления цифровых изображений и графики изучалась многими исследователями. Он предложил параллельный компьютер, основанный на гексагональных модулях, которые могут быть связаны для выполнения различных морфологических операций и требуют меньше взаимосвязей по сравнению с аналогичной квадратно-основанной архитектурой. Мерсер [4] показал, что для циркулярной группы ограниченного сигнала, нужно на 13,4% меньше точек отбора проб на гексагональной сетке для поддержания высоких уровней частоты информации изображения по сравнению с прямоугольной сеткой. Таким образом, он требует меньше памяти и меньше времени вычислений и кодирования, также эффективность может быть увеличена, если для кодирования изображений используется гексагональная схемы выборки. Шестигранная сетка выборки предлагает меньшую ошибку квантования [5], равноудалены собственности [6] и последовательное соединение [7] (6-стороннее соединение [8]). Витулли, Армбрустер и Сантурри [9] показали, что использование гексагональной сетки, более широкого спектра может использоваться без алиасинга с такой же, а ведь даже меньшим количеством точек, чем при использовании квадратной сетки. В частности, novel spline family, специально разработанная для гексагональной решетки, предлагается Ван де Вилле т.д. [10], и уже успешно применяются в некоторых приборах печати.

 Лоран Кондат и Ван де Вилли [11] показали, соответствие объединения многомерных сплайнов с квази-интерполяцией для восстановления и передискретизации данных, установленных на 2-D решетках. Эрик Ентерро и др. [12] оценили выступления аподизации функции, которые должны применяться в комплексе видимости распределенной внутри звездного окна сетке на гексагональную выборку и они разработали Интерполяционные формулы для передискретизации данных гексагональной сетки без вмешательства каких-либо артефактов алиасингу в данных, которые обрабатываются. Мидлтон и Сивасвами [13] предложили спираль архитектуры для гексагональной сетки которая отображает анатомические особенности зрения приматов усистеми. Спираль архитектуры имеет некоторые отличительные особенности по сравнению с квадратичной структурой обработки изображения. Таким образом, можно предположить, что гексагональная сетка пикселей более подходит на существующие прямоугольные экраны для обработки цели компьютерного моделирования видения. Многие операции обработки изображений, таких как смещение, деформация, прореживание, растяжения, открытия и закрытия могут быть сделаны на гексагональная решетке.

Операция скелетонизации играет важную роль вомногих этапах предварительной обработки. Скелет объекта представляет собой линию, соединяющую точки линии полупути между границами и это важно для представления форм анализа, который является полезным для многих моделей. Скелет имеет те же связности ( "Топологии") в качестве исходного объекта.

Типичными скелетами являются изображения показанные на рисунке 1.

 

Рисунок 1. Примеры скелетов изображений

 

Операция скелетонизации  также используется для утончения обнаружения края, чтобы удалить все избыточные точки, которые содержатся в пределах края изображения, для сохранения структуры и основных характеристик. Существует много алгоритмов, для нахождения скелета изображения. Среди них есть два основных подхода, основанные либо на итерационном прореживании, либо на преобразовании расстояния. Хотя последний метод, менее чувствителен к помехам на границе, в методе, основанном на итерационном прореживании есть несколько  функций, которые становятся полезными, когда первичной целью является осуществление СБИС. Николаос Бурбакис и т. д. [13] осуществили применение конкретного массива процессора (ASAP) желательного для высокой скорости параллельной скелетонизации бинарного изображения. Суда [14] разработал архитектуру для скелетонизация основного расстояния методом преобразования. Они были архитектурно разработанны на основе прямоугольной решетки. Н. Лопич и Дудек [15] разработали архитектуру скелетонизации для бинарного изображения на гексагональной решетке с помощью асинхронного клеточного массива процессоров. В этой архитектуре, вся обработка элементов в массивах клеточных процессоров  работает в асинхронном режиме, не завися друг от друга. Хотя приведенные выше архитектуры потребляют меньше ресурсов, многие ресурсы FPGA теряются в качестве входных данных и выходной задвижки. В рамках предлагаемой архитектуры, системные часы используются для входа и выхода. В предлагаемой работе, архитектура СБИС была спроектирована на базе синхронных клеточных процессоров. Обработка массив, где элементы были разработаны и связаны с тем чтобы сформировать массив и гексагональную решетку была проведена на прямоугольных массивах. Для этого выбрали итерационный алгоритм прореживания, поскольку он преодолевает недостатки дистанционного метода преобразования и передачу данных только между ближайшими соседями.

Скелетонизация

Скелетонизация или операции прореживания делается, итеративно отрывая прочь от изображения несущественные пиксели, до тех пор, пока не осталось единого числа, или скелета, который описывает объект. Поэтому полученный скелет должен обладать следующими свойствами:

1) по возможности максимально тонкий

2) связный

3) центрированный

Если ограничиться 3 х 3 окрестностью, то можно просмотреть операции прореживания как неоднократнок сканирование (бинарного) изображения и установление центра пикселя на "0" при определенных условиях. Существуют некоторые общие требования, которые влияют на разработку алгоритмов, такие, как:

1) тонкость

2) скелет должен иметь такое же соединение (топологии) в качестве первоначальной модели

3) при получении скелета или его части, скажем, за несколько проходов, он не должен быть размыт при последующих проходах.

Критерий алгоритма утончения включает чувствительность к шуму, сохранение топологических и геометрических свойств, изотропии, способность к восстановлению и эффективности. Все прореживающие алгоритмы могут быть отнесены к одной из двух широких категорий

1) Итерационный алгоритм прореживания

2) Не итерационный алгоритм прореживания.

В общем, итерационный алгоритм выполняет прореживания пиксель за пикселем, пока не будет получен подходящий скелет. Итерационные алгоритмы могут быть классифицированы как последовательный или параллельный порт. Последовательный алгоритм прореживания - алгоритм, в котором рассматриваются точки контура объекта в заданном промежутке. В параллельном алгоритме прореживания решения для отдельных пикселей исключительно основано на результатах предыдущей итерации.
Не итерационные методы прореживания используют другие методы, нежели последовательное сканирование пикселей изображения. Эти методы построены не на основе изучения конкретных пикселей. Некоторые популярные непиксельные методы, основаны на включении медиальной оси преобразований, расстояния преобразования, и определения осевых линий.
Медиальные оси преобразования часто используют серые уровня изображения, где интенсивность пикселей представляет собой расстояние до границы объекта. Преобразования основаны на методах вычисления расстояния до фона изображения от каждого пикселя объекта и используют эту информацию для определения пикселей, которые являются частью скелета.