Дуда Р., Харт П. - Распознование образов и анализ сцен (1033979), страница 61

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 61)

7.19. Вариант изображения рис. 7лб после слияния областей. (Воспро- изводится с разрешения Клода Феннеиай порядка, в котором рассматриваются границы областей. Кроме того, область со значениями 4 или же со значениями 8 (в зависимости от порядка рассмотрения областей) не будет объединена ни с какими другими областями. Следовательно, результат зависит от конкретной реализации алгоритма, но в любом случае область со значениями 8 не будет объединяться с областями значений 4 и 5. Нетрудно построить и другие критерии как для первоначального выделения, так и для слияния областей.

В качестве примера рассмотрим следующий алгоритм объединения. Пусть )т', и )с,— две области с общей границей, и пусть периметры этих областей равны Р, и Р,. Пусть 1. — длина части общей границы, разделяющей элементы, полутоновые уровни которых отличаются меньше, чем на Га. 7. Представление иаобраясениб «(. Мы объединяем две области, если для данного порога ! шах( —, р' ~~)Г. Одна из интерпретаций такого алгоритма состоит в следующем.Мы можем считать, что Ь вЂ” подозрительная часть общей границы. Если одна из этих областей, скажем !с„более или менее окружена областью !с„то общая граница составит значительную часть от Р,.

Далее, если эта общая граница вызывает сомнения, то величина «. также окажется значительной частью периметра Р„и области будут объединены. Следовательно, алгоритм будет стремиться придать !с, более правильную форму во всех случаях, когда это можно сделать, не игнорируя хорошо определенные границы. На рис.

7.!9 показан результат обработки рис. 7.16 с помощью этого алгоритма при «(=2 и 7=0,45. 7.б.й. ОБОБЩЕНИЯ Можно расширить основные понятия анализа областей, чтобы, кроме интенсивности, включить в анализ и другие характеристики изображений. Одной из наиболее интересных возможностей является разбиение изображения на области в соответствии с цветом. Для того чтобы рассмотреть эту возможность, нужно расширить определение функции интенсивности таким образом, чтобы включить в него цветовую информацию.

Сделаем это, воспользовавшись тем, что пространство всех возможных цветов может быть представлено в виде трехмерного векторного пространства. Этот факт, в основе которого лежат скорее физиологические, чем физические данные, приводит нас к мысли определить функцию интенсивности как векторную функцию д (х, р)=(д, (х, у), й» (х, у), д»(х, у)1, где ль д, и д,— координаты цвета изображения в точке (х, у)').

Параметры цветового пространства могут, вообще говоря, выбираться многими способами; поэтому для полного определения функции интенсивности мы должны еще задать базисные векторы. Возможным базисом является набор трех «первичных» цветов: красного, зеленого и синего. Физически использование этого базиса соответствует получению трех (скалярных) изображений одной и той же сцены последовательно с помощью красного, зеленого и синего фильтров.

Три компоненты функции интенсивности в этом базисе называются соответственно красной, зеленой и синей цветовыми составляющими н будут обозначаться далее соответственно как йя(х, у), по(х, у) и пн(х, у). т) Это понятие в свою очередь может быть расширено до понятия обобщенной векторной функции интенсивности, которая включает в качестве координат дальность, текстуру и т.д.

7.б. Аноеиз обеосоый Анализ областей можно начать с образования элементарных связных областей, составленных из элементов изображения, у которых красная, зеленая и синяя координаты одинаковы. Затем области могут быть объединены согласно некоторому критерию, аналогичному критериям, описанным для черно-белых изображений. Например, мы можем объединить две области, у которых значения ой уо и д близки. Особенный интерес представлял бы критерий, который позволил бы объединить две смежные области, имеющие Рв Уф уе Ряс. 7.20. Норцнроеанцые цветовые коордкнеты.

различные интенсивности, но один и тот же оттенок. Этот критерий был бы удобен, если бы мы хотели, чтобы иа анализ не влияли изменения освещенности или наличие теней. С этой целью определим нормированные цветовые координаты точки изображения следующим образом (не указывая зависимости от х и у): вя яя+ыо+Ыв во агава+вв ' Кв йг+во+ вв ' Так как эти три числа (называемые также хроматическими координатами или трихроматическими коэффициентами) в сумме дают единицу, мы можем взять любые два из них, скажем у, и ав, и этого будет достаточно для того, чтобы определить нормировайные цветовые координаты в некоторой точке на изображении.

На рис. 7.20 310 Гл. 7. Лредставлэниэ иэображений показано возможное представление двумерного нормированного пространства цветов. Любой измеряемый нами нормированный цвет будет попадать внутрь треугольника; «чистые» красный, зеленый и синий цвета окажутся около вершин. Заметим, что нормировка цветов равнозначна изменению базиса трехмерного цветового пространства от первоначальных красной, зеленой и синей координат к нормированной красной, нормированной зеленой и общей интенсивности. Анализ областей, основанный на нормированных цветах, не будет (в идеальном случае) чувствителен к изменениям интенсивности, на в то же время он будет чувствителен к изменениям того, что мы неточно называем «цветом».

Например, предположим, что у нас имеется изображение, содержащее среди других объектов желтую поверхность; предположим далее, что поверхность частично находится в тени. В идеальном случае') анализ областей, при котором в качестве входной информации используется двумерная векторная функция интенсивности с нормированными цветами [йг„(х, у), йг (х, у)1, смог бы выделить всю желтую поверхность как единую область, В то же время анализ, основанный на использовании только скалярной функции интенсивности черно-белого изображения, повидимому, разделил бы эту поверхность по линии тени на две области, Здесь следует отметить, что, хотя мы и ввели цвет в качестве одного из средств анализа областей, совершенно очевидна возможность использования цвета и в других методах, которые мы обсуждали ранее.

Например, можно оценивать градиент отдельно по каждой компоненте векторной функции интенсивности и затем суммировать значения модулей оценок. Этот процесс подчеркнул бы границы между областями различных цветов даже в том случае, когда области на черно-белом изображении имеют одинаковую яркость. Точно так же можно изменить и алгоритмы сравнения с эталоном, чтобы они могли использовать дополнительную информацию, содержащуюся в векторной функции интенсивности.

7.7. ПРОСЛЕЖИВАНИЕ КОНТУРОВ В работах по анализу сцен очень часто повторяется утверждение, что изображение можно упростить, представив объекты на нем в контурной форме. Ранее мы рассматривали применение градиентных операторов; другой разработанный для этой же цели метод на- ') Изучение цвета — это сложный вопрос, так как цвет представляет собой в конечном счете скорее физиологическое явление или феномен восприятия, чем чисто физический эффект.

связанный только с энергией и частотой электромагнитных волн. Кроме того, здесь существуют трудности технического порядка прн выполнении расчетов, основанных ив небольших различиях в измеренных значениях. 7.7. Просе«в«иванов контуров зывается прослежшшниелв контуров. Метод, как можно понять по названию, заключается в последовательном вычерчивании границы между объектом и фоном. Допустим сначала, что мы имеем дело с аналоговыми изображениями, на которых могут быть только два уровня полутонов. Это предположение дает нам возможность игнорировать на некоторое время проблему отделения объекта от фона.

Опишем на примере один из простейших алгоритмов прослеживания контуров. Представьте себе прослеживающую точку в виде «жука», которыи ползает по изображению до тех пор, пока не наталкивается на темную область (т. е. на объект). Тогда он поворачивает влево и движется по кривой, пока ие выйдет за пределы объекта; после этого он начинает немедленно поворачивать вправо. Повторяя этот процесс, «жук» будет прослеживать границу объекта по часовой стрелке до тех пор, пока не попадет в окрестность начальной точки.

Последовательность нс. 7,2!. Пример нросленгнваннн нг а н объекта аа анного в точек перехода между объектом ур и фоном может быть использо- аналоговой форме. вана для описания контура. Этот процесс показан на рис. 7.21.Мы сразу же можем отметить некото. рые свойства этого алгоритма. Во-первых, радиус кривизны траектории «жука» определяет «разрешающую способность» алгоритма прослеживания контуров. «Жук», очевидно, не сможет выделить острые изгибы контуров, кривизна которых сравнима с кривизной траектории. Далее, если в силуэте объекта имеются «отверстия» рядом с самой границей, «жук» может попасть в «отверстие», из-за чего возникнут ошибочные точки перехода. И наконец, алгоритм в таком его виде не вполне определен, так как способ построения центров каждой криволинейной части траектории не был задан.

Один из упомянутых выше недостатков исчезает, когда мы имеем дело с бинарными дискретными изображениями. В частности, дискретный вариант алгоритма может быть просто и точно определен следующим образом. Просматривайте изображение до тех пор, пока не встретится элемент объекта. Затем руководствуйтесь следующими правилами: если вы находитесь на элементе объекта, поверните налево и сделайте шаг; если вы находитесь на элементе фона, поверните направо и сделайте шаг.

Характеристики

Список файлов книги