Professional Documents
Culture Documents
NXM Ij
NXM Ij
w
w w
Гістограмні признаки.
L 1
2.Дисперсія в (в в ) р(в )
2 2
в 0
1 l 1
3. Коефіцієнт асиметрії в к 3
(в в ) 3 р (в )
в в 0
1 l 1
4. Коефіцієнт ексцесса в r 4 (в в ) р (в ) 3
4
в в 0
l 1
5. Енергія в n ( p(в ))
2
в 0
l 1
6. Ентропія в е р (в ) log 2 ( р (в))
в 0
Гістограмні ознаки 2-го порядку базуються на визначенні сумісного розподілу вірогідностей
пар елементів зображення.
Роздивимось 2 елемента
Y(j,k) Y(m,k)
(m,n)
r
θ
(j,k)
2. Оваріація Вс (а а )(в в ) Р ( а, в )
а 0
l 1 l 1
3. Момент інерції В І (а в ) Р (а, в )
2
а 0 в 0
l 1 l 1
4. Середня абсолютна різниця Вv (а в ) Р (а, в )
a 0 в 0
l 1 l 1
Р ( а, в )
5. Зворотна різниця ВD
а 0 в 0 (1 ( а в ) )
2
l 1 l 1
6. Енергія В N ( Р(а, в ))
2
а 0 в 0
l 1 l 1
7. Ентропія Ве Р(а, в ) log 2 ( P(а, в ))
а 0 в 0
Сегментація.
В найкращому випадку між сплесками повинен бути ідеальний провал (повний провал),
але навіть якщо 2 групи яскравості трохи перекриваються, за порогові значення можна
прийняти мінімальний рівень. Це дозволяє виконати біноризацію. Вважаємо, що всі елементи
менше за порогове це фон, більше – об'єкт.Основна проблема це вибір порога.
Якщо сигнал (різниця між рівнем об’єкта та фона) не на багато перевищує шум, то гарних
результатів не буде. В даному випадку допоможе усереднювання значення сусідніх елементів.
Доки ми вважаємо, що кожне значення гістограми відповідає першому рівню яскравості.
Частіше використовується більш груба гістограма, в якій сусідні групи об’єднанні.
Коли будують гістограму завжди виникає дилема – якою повинна бути ширина інтервалу?
Кожному інтервалу відповідає число зображення, рівень яскравості, який лежить між верхньою
та нижньою границею інтервалу. Якщо інтервали широкі, то «разрешающая» здатність в
певному рівні низька. Якщо інтервали вузьки, то в кожний з них потрапляє небагато значень,
гістограма порізана і вже важко визначити положення мінімуму.
Природно, що ефект, що подавлюється, буде менш вираженим, для більшої площі
об’єкта. Має місце також і інша проблема, пов’язана з елементами зображення, що розволожені
на межі об’єкта. Такі елементи часто мають проміжне значення рівня, що призводить до
змазування та зливання країв двох сплесків. Ступінь проявлення цього ефекту залежить від
того, яка доля елементів зображення попадає на межу. Проблема виникає тільки тоді, коли
площа частини зображення, зайнята іншим об’єктом набагато більшого або меншого від площі
фона. При цьому менший сплеск на гістограмі може бути подавлен краєм основного сплеску і
мінімального значення пороша може і не виявитися.
Якщо фон є неоднорідним можна зробити так , що порог яскравості адаптується до його
середнього рівня. Можна розбити зображення на маленькі фрагменти та встановити свої пороги
для кожного об’єкта. Пороги для кожного елемента зображення можна визначити шляхом
інтерполяції між центрами об’єктів.
Області зображення іноді можна виділити шляхом прискорення поперечних перетинів
профілю яскравості зображення.
Горизонтальний та вертикальний перетин визначається:
1 N 1
H k Y ( j , k ) - горизонтальний перетин
N i 0
1 N 1
V k Y ( j, k ) - вертикальний перетин
N k 0
Матриця яркравостей.
1 1 1 1 1 1 1 1 1
1 4 4 4 5 6 6 6 1
1 4 4 4 5 6 6 6 1
1 4 4 4 5 7 7 7 1
1 8 8 8 8 7 7 7 1
1 1 1 1 1 1 1 1 1
Другий раз лінії проведені між кожними двома змішаними елементами, ща мають різні
значення полу тонів, при цьому в кожну зону полтонів потрапляють елементи з одним рівнем
полу тонів. При цьому розбивання виходить дуже дрібним. Перший раз лінія проведена, якщо
різність рівня змішаних елементів строго більше одиниці. За основу беремо друге розбивання,
бо воно є більш правильним.
Зазвичай спочатку визначаються елементарні зв’язані області (коли кожна область
включає елементи з одним рівнем яскравості), далі використовується деякі критерії для зв’язку
двох областей, що мають спільну межу. Наприклад ми вирішімо об’єднати дві суміжні області,
якщо середня різниця значення рівнів полу тонів по різні боки від спільної межі менше або
дорівнює «1». Для другого випадку видно, що зіллються області 4-5 та 7-8, а область 6 буде
об’єднана з областю 5 або з 7, в залежності від порядку, в якому розглядають області.
Існують також і інші критерії оцінювання, що мають евристичний характер.
Зв’язність.
4х 6ти 8ми
* * * * * *
* * * * * * * * *
* * * * * *
Використання кольору.
Можна розширити основні алгоритми сегментації, за для того щоб окрім інтенсивності
включати в аналіз також і інші характеристики зображення. Однією з найцікавіших
можливостей є використання кольору.
Простір всіх можливих кольорів може бути надано у вигляді трьохмірного простору, тоді
можна визначити векторну функцію:
f ( x, y ) ( f 1 ( x, y ), f 2 ( x, y ), f 3 ( x, y )) ,
де f-координати кольору
Це поняття можна розширити до загальної векторної функції. Розповсюдження базисом в
цьому просторі є набор з первісних кольорів червоний, зелений, синій. Аналіз областей можна
розпочати з утворення елементарних областей, складених із елементів зображення, у яких
червона, синя та зелена координата однакові. Далі області можуть бути визначені по деяким
критеріям, які дозволяють визначити дві суміжні.
fr fb fg
fr fb fg
fr f g fb fr f g fb f r f g fb
При цьому чисті кольори (К,З,С) виявляться біля відповідних вершин трикутника. Для
аналізу та сегментації областей по кольору потрібно об’єднувати елементи зображення близькі
к площині fr, fg, тоді аналіз областей не буду чуттєвий до зміни кольору.
Текстурні ознаки.
F (m, n)F (m , n )
m j w nk w
A( , , j , k ) jw k w
F (m, n) 2
m j w nk w
J+w K
J+w
k-w k+w
Функція вичислюється на вікні (2w+1)(2w+1) для кожної точки зображення (j,k) також при
зсуві η вважається, що при фіксованому зсуві (ε,η) області крупнозернистої структури буде
відповідати більш її високе значення, ніж області дрібнозернистої структури, тобто розмір зерна
пропорційний ширині автокарреляційній функції. Однією з можливих мір широти автокар
реляції є вхідний момент.
T T
T ( j, k )
T T
2 A( , , j , k )
2
1 jw k w
2 E (m, n)
T ( j, k )
(2 w 1) m j w n k w
Контурні признаки.
Різкі зміни яскравості координат кольору або інших параметрів є важливими признаками,
бо вони часто виявляють об’єкт. В одномірному випадку перепад характеризується висотою h,
кутом нахилу θ та координатою центра склону а.
а
h
θ
Перепад існує, якщо його θ та h більше за деякі порогові значення. Загальний підхід до
виявлення перепадів на однокольорову зображенні має вигляд:
Первісне Контурний
Зображення Контрастування Пороговий перепад
F(j,k) перепадів G(j,k) детектор T(j,k)
Первісне зображення F(j,k) піддається лінійній або нелінійній обробці для посилення
перепадів яскравості. Виходить масив G(j,k), що описує зображення з підкресленими змінами
яскравості. Далі виконується операція порівняння з порогом та визначається положення
елементів зображення з ярко вираженими перепадами.
Якщо G(j,k) менше T(L), то має місце низхідний перепад. Якщо G(j,k) більше деякого
порога Т(u), то має місце висхідний перепад. Пороги Т можна зробити залежними від координат
j,k. Для компенсації великих змін яскравості на результати виявлення перепадів. При цьому
вибір порогу є ключовим моментом. При занадто високому рівні порога не будуть виявлені
перепади з низьким контрастом, а низький шум можна прийняти за перепад.
Для позначення перепадів на зображені формується контрольний перепад. (наприклад:
положення точок висхідних перепадів можна відмічати білими точками на чорному фоні,
низхідні – чорним, інші – деяким середнім)
Н= 1 -2 1
-1 -1 -1
2. Північно-східний
1 1 1
Н= -1 -2 1
-1 -1 1
3. Південно-східний
-1 -1 1
Н= -1 -2 1
1 1 1
4. Південь
-1 -1 -1
Н= 1 -2 1
1 1 1
5. Південно-західний
1 -1 -1
Н= 1 -2 -1
1 1 1
6. Захід
1 1 -1
Н= 1 -2 -1
1 1 -1
7. Північно-західний
1 1 1
Н= 1 -2 -1
1 -1 -1
8. Схід
-1 1 1
Н= -1 -2 1
-1 1 1
Оператор Лапласа
G(i,j)=[(F(i,j)-F(i+1,j))-(F(i+1,j)-F(i,j))]+[(F(i,j)-F(i,j-1))-(F(i,j+1)-F(i,j))]=
4*F(i,j)-[F(i-1,j)+F(i+1,j)+F(i,j-1)+F(i,j+1)]
Оператор Робертса
II F(j,k) II = GR(j,k)=√[F(j,k)-F(j+1,k+1)]2+[f(j,k+1)-F(j+1,k)]2
GR(j,k)<=Ga(j,k)<=√2*GR(j,k)
Оператор Собеля
F(i,j)=S(i,j)+V(i,j)
S(x) F(x)
х х
хo W1 xo W2
Зрозуміло, що для оцінки місця положення перепаду х о по функції F(x) необхідне
усереднення. Бажано брати F(x) стільки, щоб пригнітити сильний шум, але не в такому
ступені, щоб змазати стрибок функції.
Емпірично можна визначити стрибок таким чином:
G(j,k)=√x2+y2 , де x=(A2+2A3+A4)-(A0+2A7+A6)
y= (A0+2A1+A2)-(A6+2A5+A4)
Для підвищення ефективності оператора часто обчислюється в наступному вигляді:
G(j,k)=(x)+(y)
Метод Уоллеса
Згідно цьому методу, вважається, що крапки, що знаходяться на перепаді, якщо
величина логарифма від яскравості цієї крапки, перевершує середнє значення логарифмів
яскравості чотирьох найближчих сусідніх елементів на деяке фіксоване значення
H(j,k)=Hs(j,k)*HL(j,k)
Hs-маска, що сгладжує
HL- одна з масок оператора Лапласа
-1 2 -1 -1 -1 2
Н1= -1 2 -1 Н3= -1 2 -1
-1 2 -1 2 -1 -1
-1 -1 -1 2 -1 -1
Н2= 222 Н4= -1 2 -1
-1 -1 -1 -1 -1 2
Контурна сегментація
Фільтрація на зображенні
Шум на зображенні
Зображення, найчастіше окрім картинки містить і шум. Це може бути спотворення
кольору або яскравості деяких груп пікселів або абсолютно неправильне зображення
пікселів, ніяк не зв’язане з їх власним кольором.
Шум може вноситись до зображення багатьма способами, починаючи від умов його
формування і закінчуючи перевтіленням зображення в цифрову форму.
За способом спотворення зображення шум ділиться:
1. Адитивний шум - до значення яскравості пікселя додається деяка випадкова величина,
значення якої в кожній крапці різні;
2. Мультиплікативний шум - значення кольору або яскравості пікселя множиться на
величину, значення якої близькі до 1 і в кожній крапці різні;
3. Імпульсний шум - значення кольору або яскравості деяких пікселів спотворюється на
стільки, що втрачають інформацію про їх істине зображення.
Лінійні алгоритми
J=(i,j)=∑ckl*I(i+k,j+1)/∑ckl
J11=1/16*(I00+2*I01+I02+2*I10+4*I11+2*I12+I20+2*I21+I22)=1/16*(11+2*11+13+2*125+4
*7+2*10+14+2*13+13)=397/16=25
36 20 11 9 16 31 40 46 53 49
49 25 18 25 24 32 40 51 61 53
31 19 25 39 32 32 40 46 51 46
11 11 18 24 24 32 41 40 40 39
10 11 11 10 16 33 41 46 50 47
11 18 25 17 17 33 41 51 62 56
12 26 39 24 18 33 41 46 52 49
12 18 24 17 23 43 46 41 41 40
10 10 10 10 29 54 50 41 40 38
11 11 10 11 26 46 46 39 39 38
Гаусовський фільтр
C(r,r0)=exp 1-((r-r0)/t)2)
r0 – центральна точка
r – поточна точка
C(r,r0) – вага точки r при розрахунки r0
(r-r0) - відстань
t – ширина Гаусовського розподілу
Рангові алгоритми
Дуже багато нелінійних фільтрів відносяться до категорій оператора рангової
структури сусідів. Це означає, що сусіди сортуються в порядку зростання.
Найпростіший оператор по порядку статистики - медіан. Де яке нове значення
яскравості пікселя, використовується центральне значення в підпорядкованому списку
його сусідів. Медіанний фільтр краще зберігає правильну структуру сторінок, чим
гаусовське згладжування, але якщо кордон зігнутий, то відбувається втрата даних. На
двовимірних особливостях типу кутових тонких ліній, медіана погано зберігає структуру.
Медіанний фільтр гарний для зменшення імпульсного шуму, коли пікселі шуму не містять
інформації про їх первинне значення.
Обробивши цим фільтром зображення, отримаємо:
11 11 11 8 8 38 40 39 39 41
13 13 12 12 12 38 40 41 40 39
13 13 12 12 12 38 40 41 40 39
10 13 13 12 12 39 39 41 39 39
10 10 9 9 9 39 42 42 40 40
13 13 12 9 9 40 42 42 42 43
13 13 10 9 12 40 42 42 43 43
11 11 10 10 13 27 42 41 41 40
11 10 10 10 14 37 40 40 39 39
13 11 10 10 14 39 40 38 38 38
000
121
000
001
020 (φ=450)
100
010
020 (φ=900)
010
100
020 (φ=1350)
001
Експертні алгоритми