Диссертация (1144795), страница 14

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

Текст из файла (страница 14)

Пусть анализируемое изображениеявляется прямоугольным и имеет Nx элементов по горизонтали и Nyэлементов по вертикали. При этом G = {1, 2, ..., N} – множество Nквантованных значений яркости. Тогда изображение описывается функциейзначений яркости из множества G, то есть f : Lx × Ly → G , где Lx = {1, 2, ... ,74Nx} и Ly = {1, 2, ..., N y} – горизонтальные и вертикальные пространственныеобласти соответственно. Набор Nx и Ny есть набор элементов разрешения врастровом изображении. Матрица смежности содержит относительныечастоты P(i, j) наличия на изображении соседних элементов, расположенныхна расстоянии d друг от друга, с яркостями i, j ∈ G, при угловом направленииα.

Обычно различают горизонтальные (α = 0o), вертикальные (α = 90o) ипоперечно-диагональные (α = 45o и α = 135o) пары элементов. Следуетотметить, что эти матрицы симметричны, а именно P(i, j,d,α) = P(j,i,d,α).Поскольку число таких матриц может быть очень большим, то обычноограничиваютсялишьрассмотрениемпикселей,находящихсявнепосредственной близости, либо усредняют матрицы, составленные дляразличных ориентаций [321]. На основе вычисленных матриц смежностивозможен расчет непосредственно численных оценок ряда (1.23 − 1.31)текстурных признаков [4; 112].

Здесь P(i, j) – частота появления двухпикселей в скользящем окне с яркостью i и j под углом α на расстоянии d ; M– общее количество пар, примыкающих друг к другу элементов (напримердля d = 1, α = 0, M = 2Ny (Nx − 1)), является мерой однородности(гомогенности) изображения и принимает в этом случае минимальноезначение; σi – среднеквадратичное отклонение яркости в скользящем окне;mx, my, σx, σ y – средние значения и среднеквадратичные отклонения для pxNNj 1i 1(i)=  P (i, j ) M и py (j)=  P (i, j ) M соответственно.Текстурные признаки, вычисленные через матрицу смежности:N 1  N 1Tmed  i   j   i  P(i, j )  ‒ среднееi 0  j 0N 1 N 1Teng     P (i, j )  ‒ энергияi 0 j 02(1.23)(1.24)75N 1    i   2 i 0 N 1j 0 P(i, j )  ‒ вариация(1.25)Thom    P (i, j ) (1  i  j ) ‒ однородность(1.26)Tvar   i22N 1 N 1i 0 j 0NNTcon    P(i, j ) M  ‒ второй угловой момент(1.27)N 1N NTc   n 2   P(i, j ) M  ‒ контраст i 1 j 1n 0(1.28)2i 1 j 1Tcor   x1 y1NN ij P(i, j )i 1 j 1NNM  mx m y  ‒ коэффициент корреляции(1.29)(1.30)Tdis    i  mx  j  m y P (i, j ) M ‒ дисперсияi 1 j 1NNTent    P (i, j ) M  log  P (i, j ) M  ‒ энтропияi 1 j 1(1.31)Статистические моменты (1.23) – (1.31) позволяют формировать текстурные признаки, учитывающие взаимное расположение соседних пикселейв скользящем окне, и соответственно являются эффективными для описаниятекстур с выраженной пространственной регулярностью.

Такие признаки какконтраст, определяется величиной локальных вариаций яркости изображения(с увеличением числа локальных вариаций контраст возрастает) коэффициент корреляции (служащий мерой линейности регрессионной зависимостияркости на изображении), дисперсия (определяющая вариации яркости относительно среднего значения), энтропия (определяющаяся как классическаямера статистической теории информации, выражает неравномерность распределения яркостных свойств элементов изображения) имеют.Методы, основанные на гистограмме пространственной разностияркостей. Для анализа текстур гистограмма рассматривается не как плотность вероятности уровней яркости, измеренных в каждом элементе рассматриваемого фрагмента, а как плотность вероятности разности уровней яркостимежду точками каждой пары элементов, разделенных заданным расстоянием76σ = (Δx,Δy). То есть, строится pσ, где fσ(x, y) =| f (x, y) − f (x + Δx, y +Δy) | (x, y –координаты элемента изображения).

Поведение σ гораздо ярче характеризуеттекстуру, чем обычная гистограмма. Для крупнозернистой текстуры (если σмного меньше размеров текстуры) большинство разностей fσ малы, а длямелкозернистой (когда σ сравнима с размерами элемента) – велики. Дляоценки поведения текстуры могут использоваться следующие величины, вычисляемые на основе построенной гистограммы.Текстурные признаки, вычисленные через гистограмму пространственной разности яркостей:NRc   i 2 p (i ) ‒ контраст(1.32)i 1NRcon   p2 (i ) ‒ второй угловой момент(1.33)i 11 NRmed   ip (i ) ‒ среднее(1.34)N i 1Таким образом, можно акцентировать различные свойства текстуры ииспользовать их в качестве ее признаков. Например, если текстура направленная, степень разброса значений pσ изменяется с направлением σ, т.к.направленность текстуры означает разную степень грубости в различныхнаправлениях.Методы, основанные на описании структурных элементов. В последнее время все большее развитие получает структурный подход к описанию текстур, основанный на анализе формы и размеров элементов, составляющих текстуру, вычислении локальных признаков и анализе распределения элементов текстуры по полю изображения [122].

Серия – это максимальная связанная совокупность вытянутых в прямую линию пикселей одинаковой яркости. Серия характеризуется яркостью, длиной и направлением. Накрупнозернистых текстурах эти серии длиннее, чем на мелкозернистых. В [4]представлены признаки, базирующиеся на длинах серий. Длина серии текстуры – это число элементов строки растра, имеющих постоянную яркость.77Пусть Cρ (i, j) означает количество линий, длина которых равна j и которыеориентированы в направлении ρ. Эти линии состоят из точек изображения,уровни интенсивности которых лежат в i‒м интервале.

Р.М. Харалик [156]предложил следующие признаки.Текстурные признаки, описывающие текстуры длинами серий:Fl   j 2C (i, j )i, jFd1     C (i, j ) i  j C (i, j ) ‒ вес линииi, j(1.35)2 C (i, j) ‒ распределение уровней серого(1.36)i, j2Fd2    C (i, j )   C (i, j ) ‒ распределение длины линийj  i i, j3Fd   C (i, j ) N x N y ‒ относительное число линийi, jВеслиний,имеющихпостояннуюоптическую(1.37)(1.38)плотностьхарактеризуется тем, что для любого уровня серого вес каждой линииувеличивается по мере увеличения длины. Распределение уровней серогоимеет минимум в тех случаях, когда число линий постоянной оптическойплотности равномерно распределено по уровням серого.

Распределениедлины линий постоянной оптической плотности имеет минимум приравномерном распределении. Относительное число линий постояннойоптической плотности (значение признака максимально, когда все линииимеют малые длины).1.3.3. Методы нахождения графических особенностейизображенийВ компьютерном зрениии обработки изображенийконцепцияобнаружения особенностей относится к методам, которые направлены навычисление абстрактной информации и принятие решений для каждойлокальной точки [16; 89]. Если даны два изображения, один из них будем78считать образцом, другое – фоном. Задача сводится к определению фактаналичия образца на фоне, и к его локализации. При этом образец на фонеможет: a) иметь другой масштаб; б) быть повернут в плоскости изображенияв) быть в произвольном месте сцены; г) может быть зашумлен, виден неполностью, частично заслонен другими предметами д) может иметьотличную от образца яркость и контраст; е) его может не быть совсем.Возможны, конечно, и другие варианты.

Кроме того, непосредственноесравнение образца с фоном может дать плохой результат из-за шумов иискажений на изображении. Поэтому в результате обработки, локальнымиособенностямиизображенийбудутявлятьсяподмножестваобластейизображения в виде: 1) углы (может быть определен как пересечение двухребер); 2) пятна (либо яркие или темные области, которые отличаются отокружающих); 3) области интереса; 4) края (точки, где есть граница междудвумя областями изображения). Край может быть практически произвольнойформы, и может включать в себя узлы. На практике, края обычноопределяются как множество точек на изображении, которые имеютвысокую величину градиента. изолированных точек, кривых и связанныхобластей [67].Алгоритм Моравека [298] – один из первых алгоритмов обнаруженияуглов при помощи набора локальных точек. Алгоритм проверяет каждыйпиксель в изображении, чтобы определить является ли тот углом,рассматривая участки в области пикселя [16].

Характеристики

Список файлов диссертации