Содержание к диссертации
Введение
1. Обзор и анализ методов сегментации изображений 14
1.1. Систематизация методов сегментации изображений 14
1.2. Методы сегментации на основе выделения контуров 16
1.3. Методы сегментации на основе выделения областей 26
1.4. Обзор методов заполнения сегментов 33
1.5. Выбор математической модели изображения 35
1.6. Выводы по главе 1 38
2. Разработка и исследование методов сегментации изображений на основе выделения контуров 40
2.1. Постановка задачи 40
2.2. Разработка метода выделения контуров в полутоновых изображениях 42
2.3. Разработка метода удаления ложных контуров 48
2.4. Критерии качества метода выделения контуров 51
2.5. Анализ эффективности методов выделения контуров и удаления точечных помех 55
2.6. Заполнение сегментов на изображении 64
2.7. Разработка и исследование метода сегментации цветных изображений 68
2.8. Выводы по главе 2 77
3. Разработка и исследование метода выделения контуров на зашумленных изображениях 79
3.1. Постановка задачи 79
3.2. Комбинированный метод выделения контуров на зашумленных изображениях 80
3.3. Анализ эффективности комбинированного метода выделения контуров 84
3.4. Выводы по главе 3 92
4. Разработка и исследование метода текстурной сегментации на основе двумерных цепей Маркова 94
4.1. Постановка задачи 94
4.2. Разработка метода текстурной сегментации полутоновых изображений 95
4.3. Анализ эффективности метода текстурной сегментации 99
4.4. Исследование влияния размера окна и значения порога на качество сегментации 107
4.5. Оценка качества метода текстурной сегментации 115
4.6. Сегментация цветных текстурных изображений 122
4.7. Выводы по главе 4 124
Заключение 126
Библиографический список 129
Список авторских трудов по теме диссертации 138
- Методы сегментации на основе выделения контуров
- Анализ эффективности методов выделения контуров и удаления точечных помех
- Анализ эффективности комбинированного метода выделения контуров
- Исследование влияния размера окна и значения порога на качество сегментации
Введение к работе
Актуальность темы. Наблюдаемое в настоящее время бурное развитие систем автоматической обработки изображений требует применения новейших методов обработки, включая предварительную обработку изображений. К методам, используемых в таких системах, предъявляются требования по степени автоматизации, качеству и, особенно, скорости обработки, т.к. большинство таких систем работают в режиме реального времени. Разработка эффективных методов предварительной обработки изображений является актуальной проблемой, которая способствует появлению более совершенных систем мониторинга, охранного телевидения, видеонаблюдения, медико-биологических и других систем.
Предварительным этапом любой системы анализа и обработки изображений является сегментация изображений. Она позволяет оперативно выделить интересующие объекты на изображении от фона и других объектов, определить размер, форму, положение объекта, преобразовать изображение к виду, удобному для дальнейшей обработки автоматическими системами и эффективного решения задач более высокого уровня, таких как распознавание образов и анализ сцен. Неточная, недостаточная или избыточная сегментация может привести к возникновению ошибок на следующих этапах обработки изображения.
Большой вклад в развитие методов предварительной обработки изображений внесли российские и зарубежные ученые: Журавлев Ю.И., Бакут П.А., Потапов А.А., Сойфер В.А., Алпатов Б.А., Canny J.F., Pratt W.K., Prewitt J.P., Sobel I.E., Kirche R.A., Roberts L.G. и др.
Во всем многообразии существующих методов сегментации обычно реализуются два подхода. Первый подход заключается в выделении контуров объектов интереса на изображении и последующем заполнении выделенных и относящихся к объектам интереса сегментов (методы контурной сегментации). В большинстве методов сегментации данной группы обеспечение точного выделения контуров объектов интереса на цифровых полутоновых изображениях (ЦПИ) в силу многомерности сигналов и многообразия сцен, отличающихся по своим характеристикам, требует увеличения размерности и количества масок для обработки ЦПИ, точного расчета порога, дополнительных преобразований и т.п., что приводит к большим вычислительным затратам.
Второй подход к решению задачи сегментации заключается в анализе соседних точек изображения по степени однородности некоторого признака (методы на основе поиска однородных или текстурных областей). Многие методы сегментации данной группы учитывают пространственное расположение элементов изображения, для этого анализируются свойства некоторой области. При этом требуется многократная обработка каждого элемента изображения, что приводит к увеличению вычислительных ресурсов в несколько раз по сравнению с контурными методами.
Задача выделения контуров объектов интереса усложняется еще в большей степени, если необходимо оперативно обработать изображение после передачи его по зашумленному радиоканалу. Для восстановления изображений, искаженных шумом, на приемной стороне должны быть применены алгоритмы, наиболее полно реализующие большую статистическую избыточность изображений.
Поэтому разработка новых или усовершенствование известных методов сегментации, позволяющих точно выделить границы интересующих объектов минимальными вычислительными ресурсами, является актуальной задачей.
Перспективным решением при обработке изображений является использование в качестве математических моделей, адекватных реальным изображениям, многомерных цепей Маркова с несколькими состояниями. Однако, при обработке изображений, представляющих собой полутоновые (или цветные) изображения с
числом уровней яркости 2g возникает проблема хранения в памяти и оперирования с матрицами вероятностей переходов размерностью 2g x2g. Такая обработка изображений требует больших вычислительных ресурсов. Представление g-разрядных ЦПИ g разрядными двоичными изображениями (РДИ), позволило снизить вычислительные ресурсы за счет оперирования с матрицами вероятностей переходов размером 2x2.
Целью диссертационной работы является разработка на основе теории условных марковских процессов методов контурной и текстурной сегментации оригинальных и зашумленных изображений, позволяющих повысить эффективность видеоинформационных систем обработки.
Объектом исследования являются методы контурной и текстурной сегментации цифровых полутоновых и цветных изображений.
Предметом исследования является разработка методов контурной и текстурной сегментации изображений на основе многомерных цепей Маркова.
Задачи диссертационной работы:
-
Анализ характеристик известных методов сегментации изображений, позволяющий оценить эффективность выделения интересующих объектов.
-
Разработка метода сегментации цифровых полутоновых и цветных изображений на основе двумерной цепи Маркова и выделения контуров объектов интереса по вычисленной величине количества информации, реализация которого достигается меньшими вычислительными ресурсами, чем известными алгоритмами.
-
Разработка метода удаления точечных помех, основанного на вычислении количества информации по четырем соседним элементам, позволяющего снизить процент ложных контуров.
-
Разработка комбинированного метода сегментации изображений, зашумленных белым гауссовским шумом (БГШ), сочетающего нелинейную фильтрацию ЦПИ на первом этапе и выделение контуров объектов интереса - на втором.
-
Исследование и анализ эффективности разработанного метода выделения контуров на оригинальных и зашумленных ЦПИ.
-
Разработка метода текстурной сегментации цифровых полутоновых и цветных изображений, использующего в качестве текстурного признака оценку средней вероятности перехода в двумерной цепи Маркова и анализ качества его работы.
Методы исследования. При решении поставленных задач использовались методы теории условных марковских процессов, теории информации, математического моделирования, теории вероятностей и математической статистики. Экспериментальная часть исследования основывалась на обработке цифровых изображений с помощью ЭВМ. Для программной реализации разработанного алгоритма
использовались методы создания программных систем и программирование на языках высокого уровня, моделирование с помощью специализированных пакетов обработки изображений.
На защиту выносятся следующие основные научные положения:
-
Систематизация и анализ известных методов сегментации изображений позволяет оценить их эффективность.
-
Метод сегментации цифровых полутоновых и цветных изображений на основе двумерных цепей Маркова позволяет точно выделить контуры объектов интереса меньшими вычислительными ресурсами, чем известными методами.
-
Метод удаления точечных помех позволяет удалить 1-2 элемента другой яркости на РДИ и снизить процент ложных контуров.
-
Комбинированный метод сегментации позволяет восстановить зашумлен-ное изображение нелинейным фильтром и выделить контуры объектов с точностью, превышающей известные методы.
-
Результаты количественного и качественного анализа методов выделения контуров на оригинальных и зашумленных изображениях позволяют оценить эффективность их работы.
-
Метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна позволяет выделить области разных текстур небольшими вычислительными ресурсами.
Научная новизна полученных результатов состоит в следующем:
-
Разработан новый метод сегментации ЦПИ на основе двумерной цепи Маркова, позволяющий выделить контуры объектов интереса с высокой точностью и меньшими вычислительными ресурсами, чем известные методы (Канни, Лапласиан гауссиана, Робертса, Превитта, Собела).
-
Разработан метод удаления точечных помех на основе многомерной цепи Маркова, позволяющий повысить качество сегментации ЦПИ за счет снижения процента ложных контуров.
-
Разработан метод сегментации цветных изображений в системе RGB, позволяющий эффективно выделить объекты заданного цвета и не уступающий по эффективности методу К-средних.
-
Разработан комбинированный метод сегментации ЦПИ, позволяющий выделить контуры объектов интереса на зашумленных ЦПИ при отношениях сигнал/шум на входе приемного устройства до - 9 дБ.
-
Разработан новый метод текстурной сегментации, позволяющий выделить области с разными статистическими характеристиками на полутоновых и цветных изображениях с высокой точностью и небольшими вычислительными ресурсами.
Практическая ценность полученных результатов заключается в том, что разработанные методы позволяют эффективно выделить объекты интереса в системах мониторинга и видеонаблюдения, охранного телевидения, медицинских системах за счет точного выделения контуров объектов интереса и текстурных областей, в том числе и в условиях действия БГШ. Разработанные методы требуют для реализации небольших вычислительных ресурсов, что позволяет обрабатывать изображения в реальном масштабе времени.
Часть результатов, выносимых на защиту, была получена автором в рамках реализации федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы (соглашение №14.В37.21.0628), а также в ходе выполнения НИР по программе стратегического развития ПСР 2.4.1-12 "Разработка программного приложения алгоритмов фильтрации и сегментации изображений в видеоинформационных системах" в ВятГУ.
Для подтверждения достоверности теоретических положений проведено цифровое моделирование, проверена устойчивость полученных алгоритмов к точности априорных данных. Получено свидетельство на программный продукт, зарегистрированное в Реестре программ для ЭВМ.
Результаты работы внедрены: в перспективные разработки программно-аппаратных средств автоматизированных систем обработки видеоинформации (ФГУП «НИИ СВТ»); в состав комплекта прототипа системы обработки и распознавания цифровых изображений (ЗАО НПП «Знак»); в учебный процесс на кафедре радиоэлектронных средств Вятского государственного университета.
Апробация работы
Материалы диссертационной работы докладывались и обсуждались на 13 конференциях: 13, 14-й Международной конференции и Выставке «Цифровая обработка сигналов и ее применение» (Москва, 2011-2012 г.); 10-й Международной конференции «Распознавание образов и анализ изображений» (С.-Петербург, 2009 г.); Пятом Белорусском космическом конгрессе (Минск, 2011г.); 4-ом Отраслевом НТК-форуме «Технологии информационного общества» (Москва, 2010 г.); XIV-XVII МНТК «Радиолокация, навигация, связь» (Воронеж, 2010 г.); IX МНТК «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2010 г.); 10-й МНТК «Физика и технические приложения волновых процессов» (Самара, 2011 г.); 67-й всероссийской конференции с международным участием «Научная сессия, посвященная Дню радио» (Москва, 2012 г.); всероссийском форуме «Информационные технологии в мире коммуникаций» (Москва, 2012 г.); Всероссийской НТК «Общество, наука, инновации» (Киров, 2010-2012 г.).
Публикации. По теме диссертации опубликовано 20 работ. Из них 7 статей в журналах, рекомендованных ВАК, 12 статей и тезисов докладов научно-технических конференций, 1 свидетельство о регистрации программы для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изложена на 140 страницах машинописного текста, содержит 45 рисунков и 5 таблиц, список использованной литературы состоит из 91 наименования.
Методы сегментации на основе выделения контуров
Один из возможных методов сегментации основан на выделении контуров на изображении [14-35]. Контуры представляют собой кривые, вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Они являются наиболее информативными составляющими изображения, кроме того, они устойчивы к изменению условий наблюдения, таких как погодные условия, ракурс съемки, масштаб, используемый датчик и т.д.
Контурные точки составляют незначительную часть по сравнению со всеми точками изображения, поэтому использование описания свойств и координат контурных точек для получения аналитического описания объектов на изображении, позволяет существенно снизить объем обрабатываемой информации. Это позволяет сократить объем запоминающего устройства, повысить быстродействие цифровых систем обработки изображений, улучшить массогабаритные характеристики и снизить энергопотребление.
Полученные контуры должны представлять собой замкнутые кривые одинаковой толщины в один элемент, чтобы однозначно определять границы однородных областей на изображении и наиболее точно соответствовать границам объектов интереса. Метод выделения контуров должен обладать небольшим коэффициентом выделения ложных контуров, который зависит от качества исходного изображения и характеристик самого метода, и может существенно увеличиваться при передаче изображения по зашумленному каналу. Поэтому необходимо, чтобы метод выделения контуров (сегментации) обладал требуемой помехоустойчивостью, и в тоже время был прост и требовал небольших вычислительных ресурсов, чтобы обеспечить возможность оперативного распознавания объекта на изображении.
Наиболее известными и изученными методами выделения контуров являются методы на основе нахождения перепадов яркости с помощью первой и второй производной. При этом выделяется два основных подхода: нахождение степени совпадения с некоторым шаблоном, и использование информации о компонентах градиента на изображении. В случае оценки компонентов градиента используются две маски, определяющие компоненты градиента в двух ортогональных направлениях. Для методов сравнения с шаблоном количество масок определяется необходимой точностью в определении параметров контура.
Все данные методы реализуются за счет обработки изображения с помощью скользящей маски (или серии масок) с общим числом коэффициентов более четырех, вычисления характерной величины (первой производной, второй производной, контрастности и т.д.), которая может принимать широкий спектр значений, и сравнения ее с порогом. Под маской в данном случае понимается набор весов, расположение которых указывает на те элементы, к которым они применяются.
Методы, основанные на оценке компонентов градиента, используют первую производную и получили название градиентных [1-3,5-8,10,12-15]. К ним относятся операторы Робертса [7], Собела [5] и Превитта [6].
Полученное значение величины градиента сравнивается с порогом, и делается вывод о принадлежности точки контуру.
Применение любых градиентных операторов дает обычно сходные результаты, различия наблюдаются только в их устойчивости к шуму и количестве вычислительных операций. Как правило, повышение помехоустойчивости в данных методах достигается путем увеличения размера маски и как следствие количества вычислений. Оператор Робертса использует маски, размером 2x2 элемента, которые последовательно применяются к каждому элементу изображения. В связи с этим данный оператор обладает наименьшей сложностью вычислений, но при этом высокочувствителен к шуму. Оценка сложности метода может быть произведена вычислением количества операций, которые должны быть выполнены для принятия решения о принадлежности элемента изображения контуру. Для вычисления градиента с помощью маски Робертса требуется 3 операции сложения, 2 операции взятия модуля и сравнение полученного результата с порогом. Следовательно, всего для принятия решения о принадлежности элемента контуру требуется выполнить 6 вычислительных операций.
Оператор Собела использует маски размером 3x3 элемента, поэтому он более устойчив к шуму, но требует больше вычислений. Оператор Превитта также использует маски размером 3x3, поэтому он дает результаты схожие с оператором Собела по параметрам помехоустойчивости и количества вычислений. В случае оператора Собела для принятия решения о принадлежности элемента контуру требуется выполнить 4 операции умножения, 11 операций сложения, 2 операции взятия модуля и сравнение с порогом. Следовательно, в целом требуется выполнить 18 вычислительных операций на один элемент изображения. Маски Превитта содержат единичные элементы, поэтому дополнительных операций умножения на коэффициенты маски не требуется. Общее количество операций, выполняемых для вычисления градиента в одном элементе изображения, равно 14.
Градиентные методы в целом более защищены от воздействия шума по сравнению с методами второй производной, и, следовательно, создают более низкий процент ложных контуров.
Существенным недостатком данных методов является то, что неоднородности освещения, а также прочие эффекты, которые нарушают непрерывность яркостной картины, могут приводить к разрывам выделяемых контуров. Поэтому для обеспечения требуемой точности и замкнутости границы их необходимо дополнять процедурами связывания контуров, что в целом усложняет метод сегментации изображений.
Методы, основанные на сравнении с некоторым шаблоном (метод Превитта-Кирша [12,3], метод Робинсона [19]), позволяют повысить точность выделения контуров за счет использования серии масок. Данные методы предполагают поочередную обработку каждой точки изображения серией из восьми масок и выбора из полученных значений максимального, которое будет соответствовать контрастному перепаду. Применяемая для получения этого значения маска наилучшим образом характеризует направление контрастного перепада. Повышение точности выделения границ здесь достигается за счет существенного увеличения вычислительных ресурсов. Применение одной маски требует 8 операций сложения, операции умножения на коэффициенты маски (минимум одно умножение при использовании масок Превитта). Для определения максимального из полученных значений требуется провести 7 сравнений. Общее количество вычислительных операций, необходимое для вычисления значения одного элемента, будет составлять 79, что существенно больше, чем в рассмотренных градиентных методах.
В методе второй производной контурные точки находятся, как точки пересечения нуля второй производной [1,10,13,14]. Данный метод реализуется с помощью оператора Лапласа (рис. 1.3). Оператор Лапласа излишне чувствителен к шуму и приводит к удвоению контуров, что дает увеличение процента ложных контуров и усложняет последующую сегментацию. Поэтому чаще применяют метод Лапласиана гауссиана [1,13,14], который предполагает предварительную обработку сегментируемого изображения гауссовским сглаживающим фильтром и применение к отфильтрованному изображению оператора Лапласа. Это позволяет увеличить четкость выделения контуров и снизить влияние шума. Применение оператора Лапласа требует минимум 1 операции умножения на коэффициент маски, 8 операций сложения и сравнение с порогом. Следовательно, в целом применение оператора Лапласа требует 10 вычислительных операций на элемент. В случае предварительной фильтрации гауссовским фильтром количество вычислительных операций увеличивается.
Анализ эффективности методов выделения контуров и удаления точечных помех
Оценка качества исследуемого метода выделения контуров производится путем сравнения, полученного в результате сегментации контурного изображения с результатами известных методов: Робертса, Превитта, Собела, Канни и алгоритм свертки с Лапласианом гауссиана. Для их моделирования использовалась среда Matlab. Сегментация осуществлялась с постоянным порогом равным 0,1 для всех методов. Для метода Канни пороги равны 0,03 и 0,015, для метода Лапласиана гауссиана используется порог 0,002. Все контурные изображения исследуемым методом были получены по старшему РДИ ЦПИ.
Сравнение проводилось по трем общепринятым критериям: эмпирическое расстояние между идеальным и контурным изображениями (критерий FOM), среднеквадратическая ошибка (критерий RMS), относительная несвязность контура (критерий Е).
Для проведения сравнения алгоритмов использовались ЦПИ и идеальные контурные изображения из базы изображений университета Беркли [85]. Идеальные контурные изображения заданы экспертами, т.е. в результате ручной сегментации ЦПИ. В связи с тем, что сегментации человеком всегда включает субъективный фактор и неоднозначна, осуществлялся случайный выбор из набора возможных сегментаций.
Примеры тестовых ЦПИ, идеальных контурных изображений и результаты сегментации разработанным методом, методом Робертса, Превитта, Собела, Канни, а также Лапласиана гауссиана приведены на рис. 2.6.
На основе визуального анализа контурных изображений (рис. 2.6) и вычисленных критериев FOM и RMS можно сделать вывод, что разработанный метод наиболее точно выделяет контуры объектов по сравнению с известными методами.
Кроме того, разработанный алгоритм обеспечивает замкнутость контуров, толщиной в один элемент, что является важным для следующего этапа сегментации - закрашивания объектов интереса. Это подтверждается критерием относительной несвязности, который для всех приведенных тестовых изображений равен нулю. В отличие от известных методов, в результате применения которых получается от 5 до 40% разрывных контуров.
В таблице 2.1 приведены усредненные оценки критериев FOM, RMS и Е, полученные для 100 ЦПИ, для разработанного и известных методов сегментации.
Анализ полученных результатов показывает, что разработанный метод сегментации на основе вычисления количества информации по критерию FOM превышает известные методы на 6-38%, а по критерию RMS незначительно уступает методам Превитта и Собела. Кроме того, полученные в результате сегментации контуры всегда являются замкнутыми, что подтверждается тем, что критерий Е равен нулю для всех тестируемых изображений.
Важным показателем сегментации изображений является скорость работы алгоритма, которая во многом определяет быстродействие всей системы автоматической обработки цифрового изображения.
Для оценки скорости сегментации было проведено моделирование в среде Matlab различных методов сегментации, и осуществлялся замер времени выполнения каждого метода. Исследование проводилось в операционной системе Windows ХР на процессоре Intel Core2 Duo, 2,66 ГГц. При расчетах были использованы 60 реальных полутоновых изображений различного размера. В программе были реализованы разработанный алгоритм сегментации на основе двумерных цепей Маркова, а также для сравнения известные градиентные методы контурной сегментации Робертса, Превитта, Собела, Лапласиана гауссиана и Канни. Усредненные результаты исследования приведены в таблице 2.2 и на рис. 2.7. Выполнение контуров для различных алгоритмов выполняется по старшему РДИ.
Как видно из приведенного графика (рис. 2.7), наиболее быстрым оказался метод сегментации, основанный на двумерных цепях Маркова, что становится наиболее заметным при увеличении размеров изображения. Это объясняется тем, что предложенный метод основан на анализе только двух окрестных элементов, в то время как большинство известных методов требуют для определения границы окрестности из 4 или больше элементов. Поэтому количество вычислительных операций по сравнению с известными методами снижается.
Таким образом, при обработке данных больших размеров разработанный метод может давать существенный выигрыш (в 5,7 - 19,7 раз по сравнению с известными методами).
Метод удаления ложных контуров направлен на устранение точечных помех на изображении. В результате на однородном фоне 1-2 элемента другой яркости будут удалены. На контурном изображении будут отсутствовать контура, соответствующие точечным помехам.
Для оценки качества работы данного алгоритма вычислим критерии FOM, RMS и Е для контурного изображения, полученного после однократного удаления точечных помех на ЦПИ.
На рис. 2.8 приведены результаты выделения контуров после удаления точечных помех на тестовых ЦПИ, и вычисленные для каждого изображения критерии.
Как видно из приведенных данных для всех рассмотренных тестовых изображений исследуемый метод удаления точечных помех приводит к увеличению значения критерия FOM и уменьшения значение критерия RMS за счет снижения количества ложных контуров. При этом замкнутость контуров сохраняется, что подтверждается критерием Е, который для всех рассмотренных изображений равен 0.
В таблице 2.3 приведены усредненные оценки критериев по 100 изображениям после удаления точечных помех.
Анализ эффективности комбинированного метода выделения контуров
Исследование комбинированного метода выделения контуров на зашумленных изображениях было проведено на тестовых изображениях, а также на медицинском изображении МРТ головного мозга, и спутниковом изображении нефтяного разлива.
На рис. 3.3, 3.4, 3.5 приведен пример сегментации четырех зашумленных ЦПИ: изображения МРТ головного мозга (рис. 3.3), изображение нефтяного разлива (рис. 3.4), двух тестовых изображений (рис. 3.5) при р2вх =-6дБ. На рис. 3.3а, 3.4а, 3.5а приведены исходные изображения; (б) - контурные; (в) -зашумленные БГШ; (г) - отфильтрованные изображения. На рис. З.Зд, 3.4д, 3.5д показана сегментация исходных, (е) - зашумленных ЦПИ. Сегментация выполнена по двум старшим РДИ ЦПИ.
Из анализа изображений следует, что комбинированный метод выделения контуров позволяет эффективно выделить области (объекты) интереса на сильно зашумленных изображениях.
На рис. 3.6 для комбинированного метода выделения контуров приведен график критерия FOM, а на рис. 3.7 - график критерия RMS при разных отношениях сигнал/шум по мощности сигнала для двух тестовых изображений и усредненный по 40 изображениям: график 1 - для изображения №2, график 2 - для изображения № 1, график 3 - усредненный по 40 изображениям.
Анализ результатов приведенных на рис. 3.6 и 3.7 показывает, что характер изменения усредненных характеристик FOM и RMS совпадает с изменением характеристик полученных для двух тестовых изображений. При - 9дБ р]х ЪдБ усредненный критерий FOM изменяется на 24%, а критерий RMS - на 11%. Контура всегда остаются связными, поэтому критерий для всех отношений С/Ш равен 0.
Для оценки точности выделения границ было проведено сравнение критериев FOM, RMS и Е для разработанного метода, методов Лапласиана гауссиана, Канни, Робертса, Превитта и Собела. Моделирование известных методов осуществлялось в среде Matlab с адаптивным пороговым уровнем чувствительности, который устанавливается автоматически при обработке ЦПИ. На рис. 3.8 приведены примеры выделения контуров для тестовых изображений по зашумленным ЦПИ при р]х = -3 дБ разными методами. На рис. 3.8а приведены исходные ЦПИ без шума; (б) - зашумленное ЦПИ; (в) -выделение контуров разработанным методом; (г, д, е, ж, з) - контурные изображения, полученные методами Робертса, Превитта, Собела, Канни и Лапласиана гауссиана соответственно.
На рис. 3.9, 3.10, 3.11 приведены усредненные графики критериев FOM, RMS и Е для разработанного и известных методов выделения контуров при разных отношениях сигнал/шум по мощности сигнала р2вх.
Из сравнения результатов, приведенных на рис. 3.8 следует, что контур, выделенный на зашумленных изображениях разработанным методом наиболее близок к эталонному. Из графиков на рис. 3.9, 3.10, 3.11 следует, что критерий FOM для градиентных операторов Робертса, Превитта и Собела резко снижаются при возрастании отношения С/Ш. Критерий RMS для градиентных методов снижается, что объясняется тем что с ростом шума при адаптивном пороге выделяется небольшое число несвязных контурных точек. При этом среднеквадратичная ошибка между идеальным и контурным изображениями получается небольшой, но выделенные контурные точки не соответствуют границе объекта и не образуют замкнутый контур. Это подтверждается критерием Е, который для градиентных методов резко возрастает и при больших отношениях С/Ш близок к 100%.
Высокой помехоустойчивостью обладают методы Лапласиана гауссиана и Канни, в которых для снижения шумов выполняются сглаживание изображения с помощью гауссовского фильтра. Разработанный метод по критерию FOM при -9 дБ р]х ЗдБ превышает известные методы на 33...49%, а по критерию RMS на 18...29%,. Критерий Е для всех отношений С/Ш для разработанного метода равен 0.
Исследование влияния размера окна и значения порога на качество сегментации
Качество выделения текстурных областей в разработанном методе непосредственно зависит от выбора размера скользящего окна и величины порогового значения. Поэтому весьма важным является исследование влияния скользящего окна и величины порога на качество сегментации текстурных изображений. Исследование проводилось на наборе искусственных изображений, содержащих текстурные области с разными вероятностными характеристиками.
На рис. 4.6 приведены примеры сегментации искусственного изображения размером 1000 х 1000, содержащего текстурные области с матрицами ве Рис. 4.6. Сегментация текстурного изображения с разными значениями окна: а) разметка; б) текстурное изображение; в) - з) результаты сегментации окном размером: 5х5(в); ПхП(г); 15х15(д); 21х21(е); 31х31(ж);41х41 (з)
На рис. 4.7 приведен график зависимости критерия ESE от размера окна при разных значениях вероятностей переходов, сегментируемых текстур.
На рис. 4.6 видно, что размер окна оказывает влияние на размер и точность выделяемых объектов. Чем меньше размер окна, тем меньшие по размеру объекты на изображении могут быть выделены. Для изображений содержащих обширные области однородных текстур использование окна малого размера приводит к тому, что отдельные структурные элементы текстуры выделяются в виде отдельных текстурных областей. Это приводит к избыточной сегментации и как следствие увеличение критерия ESE до 0,1815 (18,15% элементов изображения сегментированы неверно).
При больших значениях окна происходит размытие границ текстурных областей из-за усреднения текстурного признака в пределах области окна. Это приводит к неточной локализации границы областей разных текстур. Поэтому при увеличении окна критерий ESE увеличивается и для окна 41x41 составляет 0,039 (3,9% элементов изображения сегментированы неверно).
Таким образом, малые окна приводят к значительной неоднородности сегментированных областей, но при этом позволяют точно локализовать границы областей. Окна больших размеров обеспечивают однородность сегментированных областей, но при этом не удается точно определить границы областей. Следует также заметить, что с увеличением размера окна увеличивается время, затрачиваемое на обработку изображения.
График, приведенный на рис. 4.7, показывает, что оптимальный по критерию ESE размер окна зависит от вероятностей переходов текстур, которые присутствуют на изображении. Чем большие вероятности переходов имеют текстуры, тем больший размер окна требуется для их сегментации. Приемлемым для большинства текстур и наиболее эффективным с точки зрения соотношения качество сегментации / время обработки является окно размером 21x21.
Используя окно размером 21x21 элемент разработанный метод позволяет разделить на текстурном изображении области, вероятности переходов которых отличаются на 0,15, с высоким качеством (не более 6% ошибочно сегментированных элементов). При более близких значениях вероятностей переходов соседних текстур качество сегментации снижается.
Вторым параметром метода, оказывающим значительное влияние на качество сегментации, является значение порога, с которым сравнивается значение оценки средней вероятности перехода.
Значение порога зависит от вероятностей перехода текстур, присутствующих на изображении.
При сегментации естественных сцен порог может быть выбран в зависимости от используемого для сегментации РДИ и объектов, которые требуется выделить. Объекты одного класса на разных изображениях имеют одинаковую вероятность перехода, поэтому порог может быть выделен по тестовому набору изображений, содержащих выделяемый объект. В общем случае порог может быть выбран одним из известных методов определения порога (метод Оцу, гистограммный и т.д.) [14,41,42].
Количество пиков на гистограмме изображения текстурного признака соответствует количеству текстур на текстурном изображении. Изображение, содержащее две текстуры, имеет бимодальную гистограмму. Пороговое значение может быть выбрано в результате анализа гистограммы изображения текстурного признака, как минимальное значение между двумя пиками гистограммы.
На рис. 4.8 приведен пример выбора порогового значения по гистограмме для искусственных изображений, содержащих две текстуры. На рис. 4.9 пример выбора порога для искусственного изображения, содержащего четыре текстуры.
Гистограммы, приведенные на рис. 4.8, имеют два ярко выраженных максимума, которые соответствуют двум текстурам на изображениях. Для изображений, содержащих несколько текстур, гистограммы изображений текстурного признака (рис. 4.9) имеют несколько пиков. Порог, выбранный, как минимальное значение между двумя пиками гистограммы, обеспечивает хорошее качество сегментации, что подтверждается, вычисленными критериями ESE.
На рис. 4.10 приведен пример выбора порога для спутниковых изображений.
На рис. 4.10 приведены примеры спутниковых изображений, содержащие области полей и леса. Применение текстурной сегментации позволяет выделить эти области на изображении. Порог выбирается как минимальное значение между двумя пиками гистограммы изображения текстурного признака. Гистограммы содержат два основных пика, которые соответствуют двум областям на изображении. Для всех гистограмм эти пики приходятся на одни и те же значения, следовательно, на разных изображениях объекты одного классы характеризуются одинаковым или близким значением оценки средней вероятности перехода. Области лесного массива я =0,55, для области полей яу„ = 0,95. Поэтому, выбрав порог по тестовому набору изображений, данное пороговое значение можно использовать для сегментации других изображений, содержащих объекты тех же классов.
