Особливості створення зображень. Формати графічних файлів.

В машинній обробці зображення зазвичай виділяють три основних напрямки:

- машинна графіка (МГ);
- обробка зображення (ОЗ);
- розпізнання зображення (РЗ);
Задача РЗ полягає в отриманні формального опису, зображення або його віднесення до
одного з класів.
При роботі із зображенням характер та задачі відмінні від звичайних, класичних
постановках теорії розпізнання образів. Цифрова теорія розпізнання образів застосовується
зазвичай при роботі з такими видами шифрування як: результати вимірювання спостережень,
перегляд експертної оцінки, тобто при відсутності відносин порядка перевтілення в
неупорядкований цілісний об’єкт.
Формальні описи об’єктів розпізнання в даному випадку не важкі. Використовуються прості
таблиці типу признак та значення признака.
При переході до заданого розпізнання виникає математична задачка, пов’язана з
формальним описом об’єкта, як аналізу об’єкта.
Зазвичай при розпізнанні об’єкта використовуються такі признаки:
- яскравість;
- контрастність;
- колір;
- форма;
- текстура;
На основі значення яскравості можна отримати різні гістограми, параметри яких можна
використовувати в якості признаків зображення.
Контрастність грає важливу роль в обробці зображення, якість об’єкта визначається в ній.
Колір є корисним признаком для виділення окремих частин об’єкта.
Форма складається з групи признаків, які використовуються для розпізнання об’єктів, що є в
зображенні з урахуванням його топографічних та геометричних властивостей.
Текстурний признак часто використовується при віднесенні зображення до деякої групи та
для інтеграції розв’язання задачі розпізнавання.
Зображення - плоский об’єкт, вигляд якого змінюється від точки до точки.
У чорно-білому зображенні ці зміни можуть бути описані за допомогою одного признаку –
яскравості. Формально можна описати зображення, як функцію двох змінних, але при
комп’ютерній обробці необхідно представити їх дискретним набором чисел, а саме у вигляді
матриці.
Зображення позначаємо, як Snxm ,а аij – значення яскравості у відповідній точці (і – рядок
зображення, j – стовбець зображення)
Побудова зображення є дискретним. Приватним випадком є двоїчне зображення, елементи
якого можуть дорівнювати 0 або 1 (1-білий, 0-черний).
Існує багато корисних операцій над зображенням , які є просторово інваріантними, тобто
таких, результат використання в даній точці не залежить від положення точки на зображенні.
Операція даного типу використовується для фільтрації зображення для того, щоб виявити на
ньому задану фігуру, для корекції зображення, для зменшення або підвищення контрастності.
Сенс цих маніпуляцій полягає в тому, щоб зменшити вплив поміх, звузити динамічний
діапазон зображення або підкреслити деякі його аспекти. Методи фільтрації використовують
для виділення контурів об’єкта на певному етапі обробки.
Методи сегментації разом із виділенням контурами є початковим матеріалом для
подальшого розпізнання.
 Виділення при знаків зображення.

Признаком зображення називається його найпростіша відмінна характеристика або

властивість, за яким можна розпізнати об’єкти. Деякі признаки є натуральними , тому що
виявляються візуальним аналізом зображення (яскравість, колір, форма, текстура). Інші
признаки можна назвати штучними, бо вони виявляються шляхом обробки (діаграма, спектр
зображення).
Признаки яскравості

Найбільш яскравим признаком зображення є «светлота». Вона зображається через

яскравість, спектральну інтенсивність, координати кольору. Вимірювання при знаків яскравості
можна проводити або в конкретних точках зображення або на околиці.
Приклад:
околиця точки середня яскравість зображення (2W+1)(2W+1) можна визначити як:
1 w w
Y(j,k)= Σ Σ Y(j+m, k+n)
(2W+1)2 m=-w n=-w
Y – значеня яскравості.

w
w w

Існує багато способів визначення яскравості признаки

Гістограмні признаки.

Розробленні методи оцінки розподілу вірогідності яскравості зображення. Отриманні при

цьому гістограми можна використовувати для створення кількості.
Для 1-го порядку можна визначити так:
P(b)=Pn{Y(j,k)= b}
Розподілення яскравості 1-го порядку приблизно дорівнює:
N (в )
Р (в ) 
М
N(b) – число елементів у вікні які мають рівень b
M – загальне число елементів у вікні
Гістограма розподілу частот дає інформацію про властивості зображення.
 Вид гістограми і Ії характеристики у значенні степені можуть характеризувати у значенні
степені можуть характеризувати зображення. Вузька гістограма говорить про низьку
контрастність.
Число піків дозволяє визначити? число об’єктів, які мають на відображення іноді
застосовується тобто інтегральна гістограма, яка показує для кожного значення яскравості
число елементів відображають з тим же або меншим числом значення яскравості.
Найбільш часто використовують наступні характеристики, які описують форму гістограми:
1. Середнє b=Σ bP(b)
b=0

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)

Для дискретного значення r, θє також дискретним.

Сумісний розподіл яскравості має вигляд:
P(a,b)= Рr Y ( j , k )  a, Y (m, n)  b
Оцінювальний розподіл другого порядку:
N ( а, в )
Р ( а, в )  N ( а, в ) -випадки, коли У(j,k)=a, Y(m,n)=в
M
На практиці зазвичай використовують наступні характеристики другого порядку:
l 1 l 1
1. Автокореляція В А   авР( а, в )
а 0 в 0
l 1 l 1

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.

Бажано зображення розбити на області, кожна з яких відповідала би поверхні окремого

об’єкта зображення, що досліджують. Останню обробку виконують незалежно на кожній
області зображення. В найлегшому випадку кожна область складається із зв’язаних між собою
елементів з однаковим рівням полутонов.
Більшість зображень характеризуються тим, що мають предмет однорідної достатньої
яскравості на фоні іншої яскравості (літак на взльотній полосі; тексти, що написані рукою та
машиною тощо). В такому випадку маємо бінарну гістограму.

Сегментація на основі порогового обмеження яскравості

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

Перетин шляхом нарощування областей.

Будьмо називати множина R елементарною зв’язаною областю якщо:

1. Всі елементи R мають однаковим рівнем полутонів.
2. Будь-які два елементи в R поєднані ланцюжком змішаних елементів, кожен з яких
належить R.
Друга умова може бути визначенням зв’язаної області.
3. Будь-яке множина елементів, що утримує R і не співпадає з ним не відповідає
попереднім умовам.
Третя умова гарантує максимальність областей, що сегментуються.

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.

Більша кількість природних сцен позбавлена важливих деталей на великих просторах.

Зображення – прояв текстури, що повторюється, аналогічний узору тканини. В таких випадках
бажано визначити межи текстурної області та розмір зерна в кожній із них. Існують різні спроби
якісного визначення текстури. Текстура використовується для опису двухвимірного масиву
зміни яскравості.
Елементи текстури та їх просторову організацію можна змінювати. При цьому
незмінними залишаються характеристики яскравості. Виходячи із визначень текстури можна
сказати, що вона охоплює деякі властивості яскравостей:
- В ньому можна знайти фрагмент, малюнок якого постійно повторюється.
- Цей малюнок створюється елементарними складовими частинами фрагмента, що
розміщенні в різному порядку. Елемент фрагменту представляє собою елемент
частини, що має приблизно однакову форму в усій текстурній області.
Текстуру поділяють на природну та штучну. Текстура часто описується розміром її зерна.
Розмір зерна зв’язано з періодом повторності. Великий період відповідає крупній текстурі,
маленький – дрібній.
Текстура – властивість околиці точки зображення, тому текстурні признаки залежать від
розміру околиці, на якій вони визначаються.
В якості основних характеристик використовується просторова функція:
jw k w

  F (m, n)F (m   , n   )
m j w nk w
A( , , j , k )  jw k w

   F (m, n) 2

m j  w nk  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

Іноді в якості текстурного признаку використовують число перепадів яскравості в околиці

точки. Спочатку за допомогою деякої системи виявлення перепадів яскравості створюється
E(j,k) таке, що E(j,k)=1. При виявленні перепаду в точці (j,k), тобто E(j,k)=1-є перепад, E(j,k)=0-
немає. Зазвичай поріг виявлення встановлюється нижче за точки на межі області яскравості.

 1  jw k w
2    E (m, n)
T ( j, k )  
 (2 w  1)  m  j  w n  k  w

Для текстурної характеристики використовують ряд ознак, що основані на властивостях

гістограми розподілу частот спільних значень яскравості пар елементів зображення.

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)

Лінійні системи контрастування.

 Фактично для підкреслювання перепадів необхідно виконати операцію просторового
диференціювання. Підкреслювання вертикальних перепадів здійснює горизонтальне
f
диференціювання . Дискретна апроксимація має вигляд
x
G(j,k)=F(J,k)-F(j,k+1)
f
Підкреслювання горизонтальних перепадів здійснюється вертикальним перепадом у .
Дискретна апроксимація має вигляд:
G(j,k)=F(J,k)-F(j+1,k)
Двовимірне дискретне диференціювання можна вирахувати за допомогою операції
згортки масива первісного зображення з наступними «курсовими» масками:
1. Північ
1 1 1

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

Підвищення контрасту перепадів без врахування їх орієнтації можна виконати за

допомогою операції Лапласа, яке в безперервному вигляді має вигляд:

F=σ2 F/ σx2+ σ2F/ σy2

В дискретному вигляді має наступний вигляд:

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)]

Для обчислення оператора Лапласа існують наступні маски:

0-1 0 -1 -1 -1 1 -2 1
Hl1= 1-4 -1 Hl2= -1 8 -1 Hl3= -2 4 -2
0 -1 0 -1 -1 -1 1 -2 1

Нелінійні методи контрастування

Для виявлення перепадів використовуються нелінійні комбінації значень

яскравості елементів зображення. В цьому випадку обмежуються обробкою віконець 2 х 2
і 3 х3.

Оператор Робертса

Модуль градієнта в точці (j,k) апроксимується таким чином:

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

Оцінка величини модуля градієнта проводиться по двом ортогональним

параметрам. Направлена похідна для кожного напряму апроксимується різницею сусідніх
елементів.
 Якщо крапка (j,k) знаходиться в області однорідної інтенсивності, то градієнт
(j,k)=0. Якщо між стовпцями k і k+1 спостерігається перепад інтенсивності тоді F(j,k) має
велику величину. Аналогічно, і якщо перепад спостерігається між рядками j та j+1.
Для підвищення швидкості оператор Робертса спрощують шляхом використання
абсолютного значення замість квадрата і видаляють квадратний корінь:

Ga(j,k)=I F(j,k)-F(j+1,k+1) I + I F(j,k+1)-F(j+1,k)I

GR(j,k)<=Ga(j,k)<=√2*GR(j,k)

Відзначаючи той, з чотирьох елементів, що поширюється біля точки перепаду, який

має найбільше значення яскравості можна отримати інформацію про приблизну
орієнтацію перепаду

Оператор Собеля

Розглянемо детально проблеми взяття градієнта. Основною трудністю є наявність

шумів. Можна сказати, що дискретна функція інтенсивності є сума двох функцій:
ідеального зображення S(i,j) і шумового зображення V(i,j).

F(i,j)=S(i,j)+V(i,j)

Проблема у тому, що визначати градієнт необхідно не суми F, а ідеального

зображення S.

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:

D(x)=1/W1⌠x+W1 x F(U)du-1/W⌠x x-W2 F(U)du

За цим принципом були побудовані ряд операторів за оцінкою градієнта, який

використовує різні вікна. Собель запропонував використовувати вікна розміром 3х3:
A0 A1 A2
A7 F(j,k) A3
A6 A5 A4

Для підкреслення градієнта використовується величина:

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

G(j,k)=log [F(j,k)]-1/4 log(A1)-1/4 log(A3)-1/4 log(A5)-1/4 log (A7)

Основне застосування цього детектора полягає в тому, що він не чутливий до

мультіплексативним змінам рівня яскравості. Логарифмічний метод контрастування
можна розглядати, як лінійне контрастування оператора Лапласа, зображення рівнів
яскравості якого рівне логарифму яскравості. Багато інших методів можна так само
представити у вигляді послідовних нелінійних по елементних операцій з подальшим
лінійним контрастуванням і порогом обмеження.

Ознаки плями та лінії

Відносна маленька область зображення, яскравість якої відрізняється від основного

зображення може бути як плямою, так і лінією.
Відрізок лінії відрізняється від ліній, які мають P або V-образний характер. При
виявленні плями виконується згладження розміром маски, що є фільтром частот. Потім
рівень кожної плями впорядкованого виразу, порівнюється із зсувом значенням його
сусідів, видалених на W. При іншому підході порівняння, порівнявши різницю між
середньою яскравістю у вікні WхW і серед яскравості в кільцевій околиці шириною W.
Обидва ці методи є випадком лінійного контрастування плями з пороговим обмеженням,
коли контрастна маска - складова маски:

H(j,k)=Hs(j,k)*HL(j,k)
Hs-маска, що сгладжує
HL- одна з масок оператора Лапласа

Можна припустити, що лінії і смуги є локальними фрагментами великих структур.

Через деяку точку зображення проходить лінія. Якщо уздовж трьох прямих
перпендикулярних ліній і дві сусідніх крапки, то яскравість змінюється від низького рівня
до високого і навпаки. Лінії однієї ширини можна виявити шляхом згортки зображення
відповідним набором лінійних масок:

-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

За допомогою цих масок виконується контрастування вертикальних,

горизонтальних, діагональних відрізків ліній. Порогове обмеження контрастного
зображення приводить до виявлення відрізків відповідних типів.

Контурна сегментація

Зазвичай аналіз зображення включає такі операції, як отримання зовнішнього

контуру і запис координат точок цього контуру. При цьому часто потрібно отримати
зовнішній контур у вигляді замкнутої кривої або у вигляді сукупності відрізків дуг.
Є три підходи до представлення меж об'єкту:
1) апроксимація кривих;
2)простеження контурів;
3)скріплення точок перепаду
Методи апроксимації можна використовувати для контурної сегментації, методом
підбору аналітично заданої кривої.

Дослідження контурів ( метод жука)

Метод полягає в послідовності викреслювання межі між об'єктом і фоном.

Розглянемо чорно-біле аналогове зображення, що дозволить нам проігнорувати проблему
відділення об'єкту і фону.
Представимо, що крапка у вигляді жука, який повзе поки не наткнеться на темну
область. Тоді він повертає наліво і прямує по кривій поки не вийде за межі об'єкту і
скрутить направо. Повторюючи цей процес жук відстежуватиме межу об'єкту до тих пір,
поки не потрапить в околицю початкової точки. Послідовність точок переходу між
об'єктом і фоном використовуватиметься для опису контуру.

Дискретний варіант алгоритму

Існує дві умови для успішної роботи алгоритму:

1.Повинен існувати спосіб відділення об'єкту від фону - порогова обробка. Для сірих
зображень іноді визначається оператор оцінки градієнта і процедура дослідження
контуру. Оператор оцінки градієнта відшукує локальний напрям контуру, визначаючи для
цієї мети направлення більш помітного краю поблизу заданої крапки. Передбачається, що
найбільший крок, зроблений в знайденому напрямі, дає крапку біля межі об'єкту, щоб
виявити перепад точки використаного градієнта.

2.Відсутність помилкових розривів у сегменті об'єкта. Долається попереднім

згладжуванням та усередненням. Простежування контурів таким методом істотно
послідовна процедура, при якій помилка на кроці збільшення, імовірніше за помилки на
останніх кроках.

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

Найбільш прості алгоритми придушення шуму на зображенні - лінійні. Це означає,

що кожен піксель обробленого зображення виходить комбінацією декількох пікселів
вихідного зображення.
Лінійна комбінація лінійних величин є сумою цих величин, кожна з яких умножається на
свій постійний коефіцієнт. Таким чином нове значення пікселя J визначається через старі
значення декілька сусідніх пікселів I:

J=(i,j)=∑ckl*I(i+k,j+1)/∑ckl

Коефіцієнт ckl не залежить на зображенні в крапці (i,j) і значень пікселів I(i,j).

Ділення всіх сум необхідне для здобуття одиничного коефіцієнта передачі, щоб процедура
не викликала зсув яскравості. Область в якій проводиться підсумовування називається
маскою. Маска має форму квадрата і вагові коефіцієнти записуються у формі матриці. Для
маски розміром 3 х 3 матриця вагових коефіцієнтів має вигляд:

С(-1,-1) С(-1,0) С(-1,1)

С(0,-1) С(0,0) С(0,1)
С(1,-1) С(1,0) С(1,1)

Найпростіший метод зниження шуму - усереднювання ковзаючим вікном. Значення

кожного пікселя замінюється найближчим сусіднім їх середньому значенням, тобто всі
clk=1. Проте вживання фільтру приводить до появи на зображенні структур що мають
форму вікна, яке є квадратом.
Усереднювання ковзаючим вікном сильно розмазує кордони контурних областей і
знищує дрібні деталі на зображенні.
Подальшим розвитком фільтра став алгоритм, в якому значення сусідніх пікселів
різної ваги - максимального в центрі і зменшується у міру видалення від нього. Простий
такий фільтр має маску розміром 3 х3, яка послідовно застосовується до всіх точок
зображення.
121
242
121

Розглянемо приклад зображення, що містить дві області з різними яскравостями.

На зображені присутній адитивний і імпульсний шум.
Напишемо значення яскравостей у вигляді матриці кожного пікселя:
11 11 13 7 8 38 42 37 38 41
125 7 10 12 7 40 38 41 125 37
 14 13 13 125 12 39 42 40 42 39
8 13 9 8 13 37 43 39 41 37
9 9 14 9 8 39 43 37 40 39
12 8 13 8 8 42 42 43 125 43
13 13 125 12 9 42 40 37 43 42
10 10 8 7 13 37 42 43 41 37
7 11 9 10 14 125 37 43 40 39
14 13 7 14 10 39 40 38 38 38
Пікселі лівої половини мають значення яскравості рівні 10+шум, правою рівні
40+шум. Крім того є декілька значень імпульсного шуму рівного 125. Обробимо це
зображення маскою фільтру ковзаючого вікна. Значить, те значення кожного пікселя
треба замінити сумою яскравостей його сусідові замість значення маски.
Розрахуємо значення яскравості пікселя з координатами [1,1]:

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

В результаті розрахунку за допомогою маски отримаєм складне зображення. Рівень

адитивного шуму на фільтрованому зображенні став значно менше.

Гаусовський фільтр

Гаусовський фільтр, в якому ваги відповідають просторовому гаусовському розподілу

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

Відмітимо, що маска ковзаючого середнього відповідає гаусовському фільтру 3 х3,

при t=1,2 Гаусовський фільтр застосовується для видалення шуму, не лише самостійно,
але і при розробках багатьох алгоритмів детекторів кордонів. Аналіз Фурье показує, що
Гаусовський розподіл в просторової області дає гаусовський розподіл і в приватної
області, що забезпечує гарний компроміс між локалізацією в обох областях. Різкий край
фільтру з постійною маскою наводить до більш зацикленого виходу чим в гаусовському
фільтру.
Лінійні фільтри як з постійною маскою, так і з гаусовською мають властивість
змащувати зображення більш ніж нелінійні.

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

Спостережуване сильне придушення адитивного шуму не характерне для

медіанного фільтру, воно отримане лише тому, що на даному зображенні шум має
масштаб рівний одному пікселю, тобто є невеликими імпульсами, які були ефективно
видалені. Існують різні модифікації медіанного фільтру, наприклад, в зважений
медіальний фільтр, який включає деякі пікселі, зазвичай нейтральні, у впорядкований
список декілька розрядів або надає пікселю додаткові ваги, величина яких залежить від
відстані до центральної крапки.
Фільтр, який дає центральному пікселю вищу вагу краще зберігає кути, але має
менший ефект згладжування. Алгоритм, який дає і однакову вагу пікселя, знаходиться на
рівній відстані від центру не враховує особливості зображення, що може змінити обробку
лінійних деталей зображення.

Найлегший локально-адоптивний фільтр - це направлений фільтр, маска якого подібна

масці ковзаючого середнього, але на відміну від неї залежить від направлення можливої межі.
Маска ФСС симетрична відносно точки і фільтр, що описує її зображення, однаковий в усіх
напрямках. При цьому будуть згладжуватись межі та дрібні деталі. В цьому випадку для
кожного пікселя можна модифікувати маску ФСС, зробивши її симетричною відносно деякої
осі, а не точки. В цьому випадку для деякого пікселя за сумою квадратів яскравості областей
центру і двох симетрично розподілених точок оцінюється напрямок межі. Сама маска фільтру
будується таким чином, щоб не допустити усереднення точок у напрямку меж. Для чотирьох
різноманітних значень кута F(φ), який створюється межею має вигляд:
При F=0 (φ=0)

000
121
000

001
020 (φ=450)
100
 010
020 (φ=900)
010

100
020 (φ=1350)
001

Нормований множник тут дорівнює ¼. Отримаємо фільтр, який називається

направленим оскільки він згладжує зображення у напрямку пропонуємо межі. Подальший
розвиток ідеї напрямку фільтру привело до появи складових фільтрів. На першому кроці
виконується звичайна лінійна згладжувальна фільтрація і вираховується градієнт. Потім у
вихідних зображеннях використовується фільтр, подібний попередньому , коефіцієнт якого
залежить від вершини і напрямку, що вираховується на першому кроці градієнту. Основна
відміна від направленого фільтра в тому, що оцінка направлення межі виконується за
згладжуваним зображенням, що дозволяє подавити високочастотний шум, який вносить сильне
зміни в цю оцінку.

Експертні алгоритми

Подальший розвиток локально-адоптивних алгоритмів зв’язано з використанням деяких

параметрів адоптації одночасно і ви користуванням експертної системи для попереднього що
належать до точки одного з заданих типів об’єктів. Потім з відповідно прийнятим рішенням
використовує той чи інший тип фільтру. (Наприклад: алгоритм для подавлення імпульсного
шуму, який уявляє собою спеціальну комбінацію детектора імпульсу і нелінійного фільтру
спочатку роботи детектора імпульсу, який видає рішення о чому).
Існують методи фільтрації зображення, як еволюції у мистецтві часу. Такий підхід
використовується у приватних похідних і моделювання у дифузії.

Алгоритми основані на групіровці пікселей

(в залежності від їх близькості зо яскравістю до центрального)

Метод Лью
Пікселі у вікні 5×5 поділяться на дві групи: яскраві, темні та приблизно однакові по
яскравості центральному. Близькими по яскравості к центральному вважаються такі точки, чия
яскравість відрізняється не більш ніж на певний поріг. Величина порога дорівнює 1/3 від різниці
середніх значення: 20% самих яскравих і 20% самих темних пікселів у вікні. Потім
підраховується кількість точок у групі. Якщо кількість пікселів у групі, які приблизно
дорівнюють центральним яскравостям, перевищують поріг НV від загального значення, то
величина порога знаходиться за рівнем шуму на обробці зображення.
Алгоритм Сьюзена
Алгоритм фільтрації SUZEN зберігає одно- і двомірне. Цей алгоритм проводить
зглаження тільки по тим сусідам, які знаходяться у зоні подоби центрального пікселя. Зазвичай
піксель у озоні подобиі має постійне значення яскравості. В усередненні приймає участь
максимальне число підходящих сусідів і виключається з розгляду сусіди, що не мають нічого
спільного з центральним пікселем. При цьому імпульси шуму перероблюється особливим
способом.