Диссертация (1144795), страница 12

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

Текст из файла (страница 12)

Среди других методов, применяемых к цифровымизображениям, можно выделить линейные и нелинейные фильтры, такжеможно представить фильтры как сглаживающие и фильтры повышениярезкости [114; 171].62Принциппространственнойфильтрацииоснованнапростомперемещении маски фильтра от точки к точке и выполнении некоторогопреобразования. При осуществлении линейной фильтрации отклик маскизадается суммой произведений пикселей в области покрытия фильтра.Фильтрация изображения f, имеющего размеры M  N , с помощью фильтраразмерами m  n задается выражением общего вида [14; 97]:g ( x, y ) ab  w(s, t ) f ( x  s, y  t )(1.9)s  a t  bгде: a = (m − 1)/2 и b = (n − 1)/2 – коэффициенты, определяемые изразмеров фильтра, а x = 0,1,2,..M − 1 и y = 0,1,2,..N − 1.Принцип работы нелинейных пространственных фильтров имеет тотже характер, они обходят окрестность, причем способ перемещения маски поизображению тот же.

Операции, выполняемые нелинейным фильтром,зависят от значений элементов, находящихся в анализируемой окрестности.Например, действие нелинейного фильтра может заключаться в вычислениимедианы значений элементов анализируемой окрестности [114]. С цельюпроанализировать возможности различных алгоритмов фильтрации дляобработки изображений обычно применяются следующие виды фильтров: 1)линейнаясглаживающаяфильтрация;2)медианнаяфильтрация;3)адаптивная фильтрация.Вкачествелинейногосглаживающегофильтраиспользуетсяусредняющий фильтр выходными данными, которого является среднеезначение по окрестности маски фильтра.

Общая формула отклика g(x,y)усредняющего фильтра имеет вид:g ( x, y ) ( m1) 2 ( n1) 2sw( s, t ) f ( x  s, y  t )( m1) ( n1)2t(1.10)2где: s    m 2, m 2 , t    n 2, n 2 – координаты по оси абсцисс иординат.В форме удобной для программного представления подобный фильтр63можно представить следующим образом:Ei*, j( m1) 2 ( n1) 2sгде:Ei*, j – Ws,t E(is ),( j t )( m1) ( n1)2t(1.11)2массив имеющий размерность исходного изображения M  N ,W – массив размерностью m  n , являющийся ядром свертки изображения.При медианной фильтрации значения пикселей представляют собойусредненное значение точек соответствующей окрестности. Часто прирешении задач устранения шума медианный фильтр является болееэффективным, чем обычное усреднение, так как приводит к меньшимискажениям границ выделяемых объектов.

В качестве маски при медианнойфильтрации используется двумерное окно с центральной симметрией, приэтом его центр располагается в текущей точке фильтрации [171]. Формулудвумерного медианного фильтра можно представить следующим образом:Ei*, j  med  Ei  s , j t ;( s, t ) W  ; i, j  Z 2(1.12)где: W – массив, являющийся апертурой для исходного изображения E.В основе адаптивной фильтрации положен винеровский фильтр,являющийся одним из типов линейного фильтра для адаптивной локальнойобработкиизображений[171].Еслизначениесреднеквадратичногоотклонения интенсивностей пикселей в данной локальной области большое,то винеровский фильтр выполняет небольшое сглаживание и, наоборот, принебольшом отклонении область сглаживания больше.

Этот подход частобываетболееэффективным,чемобычнаялинейнаяфильтрация.Преимущество адаптивный фильтра еще заключается в том, что он сохраняеткрая и другие высокочастотные части объектов изображения. Однако,винеровский фильтр требует большего времени для вычислений, чемлинейный фильтр [171].Среднее значение яркости вычисляется для центрального пикселямаски Wi , j , содержащей значения яркости исходного изображения в64покрытой маской локальной области по следующей формуле:1 m nwWi, jm  n i 1 j 1(1.13)Дисперсия маски:1 m n  Wi, j  wm  n i 1 j 122(1.14)В данном алгоритме для каждого нового положения окна маски занововычисляются соответствующие значения.

Оценка сглаживаемого шумаопределяется как среднее квадратичное отклонение:    2 .Неменееважнымспособомобработкиизображенияявляетсясегментация. Сегментация предназначена для выделения на изображенияхобластей с определёнными свойствами. Такие области обычно соответствуютобъектам или их частям, которые определяют исследователи. Результатомсегментацииявляетсябинарноеилииерархическое(мультифазное)изображение, в котором каждый уровень (фаза) изображения соответствуетконкретному классу выделенных объектов.Сегментация является сложным моментом в обработке и анализеизображений, так как необходимо выделять области, соответствующиеразличнымобъектам.Этосвязаносвысокойвариабельностьюиххарактеристик, слабой контрастностью обрабатываемых изображений исложной геометрической организацией объектов.Конечный результат анализа изображений во многом определяетсякачествомсегментации[114],астепеньдетализациивыделяемыххарактеристик зависит от конкретной задачи.

Поэтому не существуетотдельного метода или алгоритма, подходящего для решения всех типовзадач сегментации, каждый из методов имеет свои достоинства и недостатки.В большинстве случаев выбирается один или несколько алгоритмов, имодифицируются под специфичные условия задачи.Задачи автоматической сегментации делятся на два класса:65‒ выделение областей изображения с известными свойствами;‒ разбиение изображения на однородные области.Между этими двумя постановками задачи есть принципиальнаяразница.Впервомслучаезадачасегментациисостоитвпоискеопределенных областей, о которых имеется априорная информация(например, мы знаем цвет, форму областей, или интересующие нас областипредставляют собой изображения известного объекта).

Методы этой группыузко специализированы для каждой конкретной задачи. Сегментация в такойпостановке используется в основном в задачах машинного зрения (анализсцен, поиск объектов на изображении).Во втором случае никакая априорная информация о свойствах областейне используется, зато на само разбиение изображения накладываютсянекоторые условия (например, все области должны быть однородны по цветуи текстуре).

Так как при такой постановке задачи сегментации неиспользуется априорная информация об изображенных объектах, то методыэтой группы универсальны и применимы к любым изображениям. Восновном сегментация в этой постановке применяется на начальном этаперешения задачи, для того чтобы получить представление изображения вболее удобном виде для дальнейшей работы.Поматематическому аппарату,используемому дляреализацииметодов сегментации, они делятся на три вида: 1) пороговая сегментация[128]; 2) морфологическая сегментация [293]; 3) объединение (наращивание)областей [114].Многими авторами выделяются различные классификации методов, нобольшинство из них основываются на двух следующих свойствах сигналаяркости: разрывности и однородности.

Первый подход базируется на идеяхразделения изображения, основанный на резких перепадах яркости. Второйподход основывается на разделении изображения на однородные области сучетом заранее выбранных критериев [33].66Основными методами на основе разрывности яркости являютсяобнаружение точек линий и перепадов [33]. При обнаружении точек и линийс помощью специальных масок организуется соответствующий поиск. Вкачестве методов обнаружения перепадов используются производные иградиенты от функций яркости, такие методы основаны на более общихидеях [33; 171].Методы пороговой обработки основываются на идеях разделениязначимых характеристик по некоторому порогу. Пороговая сегментацияявляется одним из самых простых и быстрых методов сегментации.Основная проблема пороговой сегментации заключается в определениипорога, определяющего разбиение функции яркости на два или болееуровня яркости.

Рациональный выбор порога позволяет свести шумы ипомехи, возникающие в реальных условиях, к минимуму. Порог можетбыть постоянным и адаптивным (изменяющимся в пространстве и времени)[114].В первом случае он устанавливается заранее в виде некоторогоопределенного значения, не зависящего от свойств анализируемогоизображения, и является постоянным по всему изображению [114]. Вовтором случае порог формируется в результате некоторой обработкиисходного изображения и задается только для фрагмента изображения [128].Порог может быть глобальным, то есть определенным на всем изображенииили локальным, который определен на некоторой области [33; 38; 171].

Егоопределяют из гистограммы уровней яркости изображения. Это удобно,если объект и шум имеют разную интенсивность. Для получения бинарногоизображения возможно применение нескольких порогов [114; 174].Гистограммныеметодыоснованынавыбореминимальныхимаксимальных значений или интервалов между экстремумами [33; 171].Методы на основе преобразований Хафа, основываются на связыванииточек друг с другом путем предварительного выяснения их принадлежности67к некоторой кривой заданной формы или обнаружения прямых и кривыхлиний, по семейству заданных прямолинейных отрезков и дуг [171].Восновеморфологическойсегментациилежатметодыматематической морфологии.

Морфологическая сегментация применяется кобъектам, которые характеризуются пространственными особенностями,такими как размеры, форма, контраст, связность.Математическая морфология является математическим аппаратом,оперирующим геометрическими образами. Основные понятия приведены вработах [114; 201; 334]. Операции бинарной и мультифазной математической морфологии рассматривают объект на изображении как множество.Существуют различные методы, решающие задачи сегментации, как иподходов классификации.

Характеристики

Список файлов диссертации