Применение агрегационных операторов в градиентных методах выделения границ у изображений

Применение методов сокращения избыточности, опирающихся на специфические особенности зрительного восприятия изображений. Изучение градиентных способов, основанных на выделении краевых точек, которые, малочувствительны к шумам и контрастности изображения.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 16.07.2020
Размер файла 241,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

УрФУ, ИРИТ-РтФ

Применение агрегационных операторов в градиентных методах выделения границ у изображений

А.В. Мартьянова

Важнейшей целью цифровой обработки изображений является распознавание присутствующих на них объектов. Возможность различения заложена в высокой информативности изображения, но зачастую обрабатываемые картинки содержат много избыточных и малоинформативных сведений, которые занимают большие объемы памяти, и требующих выполнения большого количества вычислений при попытке использовать их для распознавания.

Поэтому широко применяются методы сокращения избыточности, опирающиеся на специфические особенности зрительного восприятия изображений. Считается, что субъективное восприятие наблюдаемой сцены происходит через ее представление в виде отдельных однородных областей и выделение контурных линий. Контурные, или граничные, линии разделяют на изображении участки с различными свойствами. Препарат, образующийся в результате выделения контурных линий, может самостоятельно эффективно использоваться для распознавания, поскольку, содержащаяся в нем информация с точки зрения зрительного восприятия, вполне достаточна для решения многих задач такого типа. [2,3].

Рассматриваемые градиентные методы основаны на выделении краевых точек, которые, малочувствительны к шумам и контрастности изображения. Они основываются на свойстве сигнала яркости - разрывности. Эффективным способом поиска разрывов является обработка изображения с помощью скользящей маски - пространственная фильтрация.

В ходе данной фильтрации маска фильтра перемещается от пикселя к пикселю. В каждой точке (х, у) отклик фильтра вычисляется с использованием предварительно заданных связей. В случае линейной пространственной фильтрации маской размера 3Ч3 отклик R линейной фильтрации в точке (х, у) изображения составит:

изображение градиентный контрастность шум

Для обнаружения перепадов яркости используются дискретные аналоги производных первого и второго порядков.

Первая и вторая производная одномерной функции Для простоты изложения рассмотрены одномерные производные. f(x) определяются так, как представлено в формулах 2 и 3.

По определению, градиент изображения f(х, у) в точке (х, у) - это вектор:

Рассмотренные ниже маски применяются для получения составляющих градиента Gx и Gy. Для определения величины градиента эти составляющие необходимо использовать совместно:

В качестве масок для определения составляющих градиента используются такие, как Робертса, Превитта, Собеля и Щарра окрестностью 3Ч3 (рисунок 1).

Рисунок 1 - Маски а) Робертса, б) Превитта, в) Собеля, г) Щарра

Для решения вопроса инвариантности в отношении поворота используются так называемые диагональные маски, предназначенные для обнаружения разрывов в диагональных направлениях (рисунок 2).

Рисунок 2 - Диагональные маски Собеля (аналогично для масок Превитта и Щарра)

Для вычисления градиента по четырем направлениям Gx, Gy, Gxу и Gух, применены агрегационные операторы (см. ниже).

Под агрегацией понимается объединение n измерений некоторой физической или логической величины Х, где , k=1,2,…,n, в одну величину [1]:

Были рассмотрены следующие агрегационные операторы:

Взвешенное среднее

Степенные р - средние

Максимальное

Медиана

Для каждой из описанных выше масок характерны свои особенности. Пример обработки изображения представлен в таблице 1. При исследованиях использовались программные реализации каждого из приведенных методов, которые показали свою надежность и правильность на протяжении большого количества времени. Тестовое изображение было выбрано случайным образом.

Рисунок 3. Тестовое изображение

Таблица 1. Результаты работы градиентных методов выделения границ

Оператор

Изображение

Результат

Маска Робертса с применением агрегационного оператора максимум

Данный оператор дает сравнительно тонкие контурные линии, слабо прослеживаются черты лица. Малоэффективен при решении поставленной задачи.

Продолжение Таблицы 1

Маска Превитта с применением агрегационного оператора степени

Позволяет опре-делить контур лица, прически, глаз и рта, несколько проблематично определение контура носа. Эффективен при решении постав-ленной задачи

Маска Собеля с примене-нием агрега-циионного оператора взвешенное среднее

Позволяет определить контур всех черт лица, также прослежи-вается текстура волос. Эффективен при решении поставленной задачи.

Маска Щарра с применен-ием агрега-циионного оператора медиана

Выделяет излишнее количество границ, сливающихся между собой. Малоэффективен в решении поставлен-ной задачи.

Применение агрегационных операторов в задаче выделения границ позволяет в полной мере оценить работу градиентных методов. Применение агрегационного оператора максимум позволяет маске Робертса выделить максимальное количество границ, а агрегат медиана позволяет высокоядерной маске Щарра выделить наименьшее количество границ. Операторы степени и взвешенного среднего применительно к маскам Превитта и Собеля наилучшим образом определить границы лица. Явно выражены глаза, нос и рот, чего нельзя сказать о двух предыдущих.

Рассмотренные методы применяются в различных прикладных задачах. Обработка черт лица имеет свою специфику: это и форма объектов на снимках, и повышенное внимание к замкнутости контуров, а также неизбежность влияния искажающих факторов таких, как шумы, расфокусировка и прочие артефакты изображений. Для того, чтобы максимально точно определить границы лица на изображении необходимо выбрать наиболее оптимальный для этого метод выделения границ, а также агрегационный оператор для его реализации. Также необходимо определить оптимальные условия работы выбранного алгоритма на основе экспертной и статистической оценки.

Библиографический список

1. Detyniecki M., Mathematical Aggregation Operators and their Application to Video Querying. Universite Curie. November 2000.

2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072с.

3. Цифровая обработка изображений в информационных системах: Учеб. Пособие / И. С. Грузман, В. С. Киричук и др. Новосибирск: Изд-во НГТУ, 2002. 352с.

Размещено на Allbest.ru


Подобные документы

  • Типы изображений (черно-белые, полутоновые, цветные) и их форматы. Устройства, создающие цифровые изображения, и их параметры. Применение и характеристики методов сжатия изображений. Поиск по содержимому в базах данных изображений. Структуры баз данных.

    презентация [360,4 K], добавлен 11.10.2013

  • Применение различных методов компрессии изображений и анимации. Определение наиболее подходящего формата сжатия. Выбор кодеков при помощи программы RIOT. Применение дополнительных способов оптимизации с использование программ OptiPNG, PNGOUT и TweakPNG.

    лабораторная работа [1,5 M], добавлен 31.05.2013

  • Обнаружение деталей и их границ изображения. Применение ранговых алгоритмов. Использование алгоритмов адаптивного квантования мод в режиме пофрагментной обработки. Обобщенная линейная фильтрация изображений. Восстановление отсутствующих участков.

    курсовая работа [1,8 M], добавлен 17.06.2013

  • Растровая графика, составление графических изображений из отдельных точек (пикселей). Растровые графические редакторы. Векторная графика - построение изображения из простых объектов. Достоинства, недостатки и применение растровой и векторной графики.

    презентация [7,8 K], добавлен 06.01.2014

  • Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.

    дипломная работа [1,7 M], добавлен 27.03.2013

  • Яркость точек и гистограммы изображения. Изменение яркости и контрастности. Метод ранговой фильтрации с оценкой середины диапазона. Наложение шумов на изображение. Преобразование изображения в негатив. Получение матрицы яркостей и построение гистограмм.

    курсовая работа [1,5 M], добавлен 11.12.2012

  • Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.

    курсовая работа [2,3 M], добавлен 15.04.2019

  • Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.

    курсовая работа [890,9 K], добавлен 07.12.2013

  • Загрузка интерфейса изображением формата хранения растровых изображений BMP. Программа осуществления отражения изображения по вертикали и горизонтали. Применение к изображению черно-белого, сглаживающего, подчеркивания границ и медианного фильтров.

    лабораторная работа [713,6 K], добавлен 26.04.2015

  • Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.

    дипломная работа [6,1 M], добавлен 03.06.2022

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.