Использование алгоритмов таксономии для улучшения изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Вестн. Ом. ун-та. 2013. № 4. С. 228-230. УДК 004.932.2

С.В. Белим, П.Е. Кутлунин

ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ ТАКСОНОМИИ ДЛЯ УЛУЧШЕНИЯ ИЗОБРАЖЕНИЙ

Разработана методика улучшения изображения на основе алгоритмов таксономии. Исходное изображение разбивается на связные области с помощью алгоритма таксономии, самые тёмные области осветляются. Даны рекомендации по использованию алгоритмов таксономии.

Ключевые слова: таксономия, выделение областей изображения, изменение яркости изображения, построение масок изображения.

Под улучшением принято понимать некоторое преобразование изображения, результат которого является более подходящим с точки зрения определенной прикладной задачи. Одной из возможных целей улучшения изображений может служить увеличение количества деталей, различимых визуально. Наиболее распространенным методом такого улучшения служит подход, основанный на локальных статистиках [1-3]. Основной алгоритм основан на выделении темных и светлых точек по некоторой системе критериев. Такой подход основан на сравнении локального среднего со средним значением яркости изображения [4]. При этом приходится вводить четыре параметра, подбираемых для каждого изображения экспериментально вручную. Другой подход основывается на наложении масок на наиболее светлые части изображений [5]. Однако и такой подход не может быть реализован полностью автоматически.

Автоматизация разделения изображения на светлые и темные части может быть осуществлена методами искусственного интеллекта. Однако в этой задаче не могут быть использованы алгоритмы обучения с учителем, так как каждое изображение обладает уникальными характеристиками, что не позволяет сформировать адекватное обучающее множество. Таким образом, возникает необходимость использования алгоритмов обучения без учителя. Одним из возможных подходов является использование алгоритмов таксономии [6], которые и использованы в данной статье.

Алгоритм выделения областей. Как уже было сказано, под улучшением изображения будем понимать такое его преобразование, при котором увеличивается число различимых деталей. Основная проблема состоит в том, что различные области изображения имеют различную яркость. Поэтому поставим себе целью выделение областей изображения, содержащих точки с близкими значениями яркости. Данная задача может быть сведена к проблеме таксономии, т. е. разбиению множества точек на группы близких друг к другу.

Для проведения таксономии необходимо построить пространство признаков. Для этого могут быть использованы различные методы кодирования изображений. В данной работе были рассмотрены 4 вида пространства признаков:

1. Трехмерное пространство ХУ1. Каждая точка имеет три координаты - две, характеризующие ее положение на плоскости, и третью, показывающую интенсивность серого цвета. Такое пространство позволяет выделить группы точек, имеющих близкую интенсивность и расположенных близко друг к другу на изображении.

2. Одномерное пространство I, в котором каждая точка характеризуется только интенсивностью. Такое пространство позволяет выделять слои равной интенсивности.

© С.В. Белим, П.Е. Кутлунин, 2013

Использование алгоритмов таксономии для улучшения изображений

229

3. Трехмерное КОБ. В этом пространстве выделяются множества точек изображения, имеющие близкие цвета.

4. Пятимерное пространство ХУЫОБ. Каждая точка характеризуется положением на плоскости и интенсивностью трех основных цветов.

В данной работе исследуется пространство ХУІ, давшее наиболее приемлемые результаты при прямом применении алгоритма. Другие пространства требуют применения дополнительных шагов для устранения погрешностей.

Алгоритм состоит из четырех шагов:

Шаг 1. Преобразуем множество точек изображения во множество точек пространства ХУІ.

Шаг 2. Применяя алгоритм таксономии, разбиваем множество точек пространства ХУІ на группы близких точек.

Шаг 3. Ищем центр таксона.

Шаг 4. Определяем интенсивность таксона I как координату по оси интенсивностей для центра таксона.

Таким образом, на выходе алгоритма мы получаем разбиение изображения на области, причем для каждой области задана «средняя» интенсивность.

Алгоритм изменения яркости. Как известно, улучшения видимости деталей на изображении можно добиться с помощью изменения интенсивности темных участков изображения. Поэтому для каждого таксона введем коэффициент увеличения яркости

И :

I'=-

(I - I)(I -1' . )

V max max mm /

I=

I— - L

h = —, I

k

где I - исходное значение яркости центра таксона; I' - новое значение яркости центра таксона; !тш, 1тах - минимальное и максимальное значения яркостей из всех центров таксонов; I 'тт - новое значения яркости для самого тусклого таксона; к - требуемый коэффициент отношения самых тусклой и яркой областей изображения. Для каждой точки таксона вычислим новое зна-

чение яркости: I'p = I •

!, где Ip, I'p - ис-

ходное и новое значения яркости. Для каждого таксона используется свой коэффициент увеличения яркости h .

Компьютерный эксперимент. Описанные выше алгоритмы были применены для улучшения монохромных изображений. В качестве алгоритмов таксономии использованы FOREL, SKAT и KOLAPS [6]. Все они показали визуально близкие результаты, но так как для работы алгоритмов SKAT и KOLAPS требуются результаты алгоритма

КОЫЕЬ, выбор был сделан в пользу последнего из соображений сокращения общего времени выполнения. В данном алгоритме таксономии используется плавающая сужающаяся гиперсфера. Экспериментальным путём был выбран коэффициент сужения гиперсферы, равный 0.9, как оптимальный, так как при других значениях получается большое число малых таксонов (малых областей изображения). Для отсева мелких таксонов может использоваться ограничение на размер минимального таксона в алгоритме таксономии или исключение таких таксонов при расчете новых значений яркости. Размер минимального таксона определяется исходя из размера сжатого изображения.

На рис. 1а и 2а представлены исходные изображения, на рис. 1б и 2б - улучшенные изображения.

Рис. 1

Рис. 2

Как видно из представленных рисунков, улучшенные изображения позволяют рассмотреть большее количество деталей, не заметных на исходном изображении из-за низкой яркости. Так, на рис. 1а спираль имеет высокую интенсивность и вторая спираль на заднем фоне практически не видна. На улучшенном же изображении вторая спираль четко различима. На рис. 2а левая половина изображения кажется просто темной областью на фоне более яркой правой. Улучшенное изображение 2б позво-

б

а

б

а

230

С. В. Белим, П.Е. Кутлунин

ляет не только обнаружить новые предметы, но и выделить их форму.

Выводы. Таким образом, интеллектуальные алгоритмы таксономии позволяют строить маски выделения областей изображения с близкой интенсивностью. На основе этих масок может быть проведено улучшение изображений, направленное на повышение видимости большего числа деталей изображения

ЛИТЕРАТУРА

[1] Fujita T., Privitera C. M., Stark L. W. Image-type dependent eigen-regions-of-interest define con-spicuity operators for predicting human scanpath

fixation // Comp. in Biol. and Med. 2007. V. 37. P. 965-974.

[2] Gonzalez R. C., Fittes B. A. Gray-Level Transformation for Interactive Image Enhancement // Mech. Mach. Theory. 1975. V. 12. P. 111-112.

[3] Privitera C. M., Stark L. W. Algorithms for Defining Visual Regions-of-Interest: Comparison with Eye Fixations // IEEE Trans. Pattern Anal. Mach. Intell. 2000. V. 22. P. 970-982.

[4] Dash L., Chatterji B.N. Adaptive contrast enhancement and de-enhancement // Pattern Recognition. 1992. V. 24. № 4. P. 289-302.

[5] Gonzalez R.C., Wintz P. Digital Image Processing. Addison-Wesley, Reading, MA, 1987. 505 p.

[6] Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск : ИМ СО РАН, 1999. 270 с.