Задача выделения шумоподобных областей изображения Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 778-082

А. А. МОРОЗОВ, С. М. НАМЕСТНИКОВ

ЗАДАЧА ВЫДЕЛЕНИЯ ШУМОПОДОБНЫХ ОБЛАСТЕЙ ИЗОБРАЖЕНИЯ

Рассматриваются методы выделения шумоподобных областей изображнеиип. Ключевые слова: сегментации изображений, текстурные характеристики.

Задача сегментации является одной из важных задач обработки изображений [1,2]. В частности, выделение шумоподобных областей изображения затруднено отсутствием их формального определения. В самом простом случае такие области представляют собой коррелированный шум, который часто встречается на изображениях природных объектов, таких как горы, деревья, кустарники, реки и т. п. Подобные области содержат мало смысловой информации, а следовательно, могут быть более сильно квантованы или моделированы.

Методы выделения шумоподобных блоков можно разделить на два класса: автоматические, не требующие взаимодействия с оператором, и интерактивные, использующие пользовательский ввод непосредственно в процессе работы [1].

Для реализации автоматического метода необходимо решить задачу поиска первой области или точки, для дальнейшего её расширения или поиска подобных областей, а также выбрать алгоритм сегментации с входными параметрами, дающими хорошие результаты на всём множестве тестовых изображений.

Для решения первой задачи начальный шу-моподобный блок изображения целесообразно выбирать в области высоких вей влет-коэффициентов следующим образом. Вычисляется высокочастотная информация на основе вей влет-коэффициентов. Затем находят блок с максимальным СКО. Как показывают проведённые эксперименты, такой блок часто соответствует шумоподобной текстуре.

Для решения второй задачи следует учесть, что алгоритмы сегментации основываются либо на поиске перепадов яркости изображения, либо поиске однородных, в смысле определённого набора критериев, областей [2].

© А. Л. Морозов, С М. Наместников, 2008

В случае поиска шумоподобных блоков на основе перепадов яркостей формируется множество ложных контуров, что значительно усложняет дальнейшую локализацию области. Па рис. 2 изображён результат работы алгоритма Кении для тестового изображения, представленного на рис. 1.

Анализ изображения на рис. 2 показывает, что применение алгоритма Кении не облегчает задачу корректного выделения шумоподобных областей.

Рис. 1. Тестовое изображение

Рис. 2. Результат работы алгоритма Кении

Вестник У л ПТУ 3/2008

41

Другой класс автоматических методов основан на выделении шумоподобных блоков изображения. подобных друг другу по определённому вектору текстурных характеристик.

Сначала всё изображение разбивается на блоки. Затем для каждого блока вычисляются числовые характеристики, соответствующие, например. математическому ожиданию и дисперсии. Числовые характеристики удобно представить в виде вектора, элементы которого образуют признаковое пространство, в котором выполняется сравнение разных блоков изображения между собой. В результате, если известен некоторый шумоподобный блок изображения, то в представленном признаковом пространстве можно находить подобные ему блоки путём вычисления евклидового расстояния между ними. Если ото расстояние меньше заданного порогового значения, то делается предположение, что два блока подобны друг другу.

В большинстве случаев средняя яркость, СКО недостаточно точно характеризуют текстуру для авто м ати ч ее ко й кл асс и фи ка ци и реал ьн ы х изо-б ражей и й, и в [2] предложен следующий набор характеристик:

/=0 !-1

Ы)

£ = 1-1/(1 + а21

I

/=0 /=о

Л-1 /=0

где I - число различных уровней яркости; р(г1) -гистограмма изображения.

В общем случае сложно определить набор числовых характеристик, позволяющих корректно находить подобные шумоподобные блоки. Однако эффективными признаками для классификации текстур служат распределения, заданные, например, в виде гистограммы [3]. На рис. 3 изображен результат выделения шумоподобных блоков тестового изображения рис. 1.

Рис. 3. Результат выделения шумоподобных блоков на основе гистограммы и коэффициентов

корреляции блоков

В качестве признаков текстуры была использована гистограмма яркости и коэффициенты корреляции по вертикали и горизонтали. На рис. 3 видно, что выделенная область захватывает ствол дерева в верхнем левом углу изображения, что, очевидно, не правильно. Это объясняется тем, что в автоматическом режиме не удаётся настроить параметры алгоритма так, чтобы он корректно выделял шумоподобные области на большом числе изображений. При этом на сегодняшний день не существует автоматических алгоритмов, которые выделяли бы шумоподобные области, согласующиеся со зрительной системой человека, потому что не разработан критерий визуального восприятия, и поэтому такие задачи решают интерактивно.

П ри раз работке и нтера кти в н ы х ал гор итмо в обычно соблюдается ряд требований. Во-первых, алгоритм должен быть способен компенсировать или исправлять ошибки работы автоматических алгоритмов и, во-вторых, реализация метода не должна быть слишком утомительна для пользователя [4].

В качестве примера был рассмотрен интерактивный алгоритм, позволяющий пользователю указывать области, не содержащие шумоподобные текстуры, а также порог подобия блоков.

На рис. 4 представлено тестовое изображение с выделенной пользователем областью, заведомо не относящейся к шумоподобным. На рис. 5, 6 и 7 результат работы алгоритма выделения шумоподобных блоков тестового изображения рис. I, где в качестве признаков текстуры была использована гистограмма яркости и коэффициенты корреляции по вертикали и горизонтали.

42

Вестник УлГТУ 3/2008

Рис. 4. Интерактивно выделенная область, заведомо не относящаяся к шумоподобным

Рис. 7. Результат работы интерактивного алгоритма с высоким порогом 15-10 4

Рис. 5. Результат работы интерактивного алгоритма с низким порогом 5-Ю"5

Рис. 6. Результат работы интерактивного

алгоритма со средним порогом 10

-4

Таким образом, полученные результаты свидетельствуют, что автоматические методы не могут обеспечить необходимую точность выделения шумоподобных областей. Следовательно, целесообразно использовать интерактивные методы для задач выделения шумоподобных об-ластей.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Вежневец, А. Методы сегментации изображений: автоматическая сегментация [электронный ресурс] / А. Вежневец, О. Баринова. -Компьютерная графика и мультимедиа. Режим доступа:

http://cgm.computergraphics.ru/content/vievv/147

2. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес. - М. : Техносфера, 2006. -1072 с.

3. Иванов, И. К. О движении глаз при восприятии стохастических изображений [Электронный ресурс] / И. К. Иванов, С. Д. Смирнов, И. И. Цуккерман. - Исследования зрительной деятельности человека. - Режим доступа: http://Iechebnik.info/438/10.htm

ч 4. Конушин, В. Методы сегментации изображений: интерактивная сегментация [Электронный ресурс] / В. Конушин, В. Вежневец. -Компьютерная графика и мультимедиа. - Режим доступа:

Ь11р:/^т.сотри1ег£гар1"11с5Л"и/со!Пеп1^!е\ч;/1 72

©ООООСО0ООООООООООО©

Наместников Сергей Михайлович, доцент кафедры «Телекоммуникации»> кандидат технических наук. Область научных интересов - статистические методы обработки сигналов. Морозов Андрей Алексеевич, магистрант кафедры «Телекоммуникации» Область научных интересов - статистические методы обработки сигналов.

Вестник УлГГУ 3/2008

43