Исследование алгоритмов выделения характерных областей на основе суперпиксельного представления изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

ТЕХНИЧЕСКИЕ НАУКИ

УДК 004.93 14

В.А. Барабошина

магистр 2 курса Самарского университета,

г. Самара, РФ

ИССЛЕДОВАНИЕ АЛГОРИТМОВ ВЫДЕЛЕНИЯ ХАРАКТЕРНЫХ ОБЛАСТЕЙ НА ОСНОВЕ СУПЕРПИКСЕЛЬНОГО ПРЕДСТАВЛЕНИЯ ИЗОБРАЖЕНИЙ

Выделение характерных областей - это задача, основанная на механизме визуального внимания, цель алгоритмов в котором - более внимательное исследование отдельного объекта или области по сравнению с окружающими областями.

Актуальность вопроса сегментации и выделения характерных областей возрастает на примере получения данных дистанционного зондирования земли (ДЗЗ). Они требуются для решения задачи мониторинга окружающей среды и являются источником данных для геоинформационных систем [1, с.2].

Данная работа посвящена сравнительному исследованию алгоритмов выделения характерных областей на основе суперпиксельного представления изображений SLIC с использованием различных методов предварительной обработки: управляемого фильтра, медианного фильтра и их комбинации.

Для проведения исследования использовались исходные данные из набора MSRA-10K. В ходе исследования был реализован восходящий алгоритм выделения характерных областей на основе множественного ранжирования. Программная реализация алгоритмов была достигнута с помощью языка MATLAB на компьютере с программным обеспечением Windows 8.1 и процессором Intel Core i3.

В качестве выводов приведены результаты работы алгоритмов выделения характерных областей в виде характерных карт: итоговых изображений с выделенной характерной областью и диаграммы зависимостей точности работы алгоритмов от чувствительности.

Для реализации используется восходящий метод выделения характерных областей на основе множественного ранжирования. Задача ранжирования (оценки) на основе графов описывается следующим образом: определяется узел в качестве запроса, а остальные узлы ранжируются на основе их релевантности к данному запросу. Цель состоит в том, чтобы узнать функцию ранжирования, которая определяет релевантность между немаркированными узлами и запросами.

Метод ранжирования, который реализуется в данной работе, использует внутреннюю структуру данных изображения для маркировки графов. Граф G = (V, Е) определяется на наборе суперпикселей,

где V - набор узлов, а ребра Е оцениваются с помощью матрицы соответствия W = [ж. ]пхп и степенной

суперпиксель и используется к-регулярный граф для установления пространственных отношений [2, с. 4].

Далее происходит двухэтапное выделение характерных областей, показанное на (рис 1.). Сначала берутся узлы на границах изображения, строятся четыре карты значимости (характерные карты) и интегрируются в одну. Затем берутся узловые точки ближе к центру изображения и формируется вторая

Аннотация

Ключевые слова:

Суперпиксели, суперпиксельное представление, SLIC, характерные области, MSRA-10K,

управляемый фильтр, медианный фильтр.

матрицы

где dn W... В качестве каждого узла рассматривается

карта значимости. Итоговая карта объединяет в себе карты первого и второго этапов.

Для реализации суперпиксельного метода SLIC (Simple Linear Iterative Clustering) используется встроенная функция superpixels(^, N) среды MATLAB c количеством разбиений N = 200 [3, c. 2247].

the first stage the second stage

Рисунок 1 - Схема двухэтапного выделения характерных областей

Работа алгоритмов выделения характерных областей и суперпиксельного представления представлена на (рис 2.) - без предварительной обработки, (рис 3.) - с управляемым фильтром, (рис 4.) - с медианным фильтром с апертурой 9 X 9 и (рис 5.) - с комбинацией управляемого и медианного фильтров. На (рис 6.) показана зависимость точности обработки от чувствительности.

а) б) в) г)

Рисунок 2 - Стадии обработки изображений: а) - исходное изображение без фильтра, б) - SLIC представление, в) - ground truth, г) - характерная карта

\Ы -i ■

.it У tu , • & 3*.

а) б) в) г)

Рисунок 3 - Стадии обработки изображений: а) - исходное изображение с управляемым фильтром, б) - SLIC представление, в) - ground truth, г) - характерная карта

а) б) в) г)

Рисунок 4 - Стадии обработки изображений: а) - исходное изображение с медианным фильтром, б) - SLIC представление, в) - ground truth, г) - характерная карта

а) б) в) г)

Рисунок 5 - Стадии обработки изображений: а) - исходное изображение комбинацией фильтров, б) - SLIC

представление, в) - ground truth, г) - характерная карта

-no filter -median guided median+guided

1 1 1 1

Рисунок 6 - Зависимость точности от чувствительности работы алгоритма с разными условиями

предварительной обработки

Точность описывается отношением количества верно выделенных характерных пикселей в области к

~ 27 ~

общему числу пикселей в ней. В свою очередь, чувствительность - доля выделенных пикселей в характерной области к истинному значению (ground truth) в рассматриваемой области изображения.

Таким образом, предварительная обработка изображений положительно сказывается на дальнейшем применении алгоритмов выделения характерных областей: границы объектов определяются наиболее точно после применения каждого из фильтров. В дальнейших исследованиях по данной теме планируется сравнительный анализ алгоритмов выделения характерных областей на основе разных методов суперпиксельного представления изображений. Список использованной литературы:

1. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий [Электронный ресурс] / сост.: Ю.В. Визильтер [и др.] // Wiki. - Техническое зрение. - 2010. - URL: http://wiki.technicalvision.ru/index.php/О_проекте_Wiki_Техническое_зрение (дата обращения: 30.11.2017).

2. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [Текст] / R. Achanta [et al.] // IEEE transactions on pattern analysis and machine intelligence. - 2012. - Vol. 34, №11. - P. 2247-2281.

3. Saliency detection via graph-based manifold ranking [Текст] / C. Yang [et al.] // IEEE Conference on Computer Vision and Pattern Recognition, 2013. - P. 3-4.

© Барабошина В.А., 2019

УДК 629.7.036.3

Григорьев В.А.

д.т.н., профессор кафедры теории двигателей летательных аппаратов,

Самарский университет, Самара. E-mail: grigva47@gmail.com. Загребельный А.О.

аспирант кафедры теории двигателей летательных аппаратов,

Самарский университет. Самара. E-mail: zao_sam156@mail.ru.

Кишов Е.А.

ассистент кафедры конструкции и проектирования летательных аппаратов,

Самарский университет, Самара. E-mail: evgeniy.kishov@ssau.ru.

СРЕДСТВО АВТОМАТИЗИРОВАННОГО ПОИСКА РАЦИОНАЛЬНЫХ ЗНАЧЕНИЙ ПАРАМЕТРОВ РАБОЧЕГО ПРОЦЕССА ВЕРТОЛЕТНЫХ ГТД НА ЭТАПЕ НАЧАЛЬНОГО ПРОЕКТИРОВАНИЯ

Аннотация

При проектировании вертолетного ГТД для выбора значений параметров рабочего процесса при типичной для этого этапа неопределенности исходных данных, необходимо использовать специализированные методы и средства. В работе описан разработанные средства получения областей рациональных значений параметров рабочего процесса вертолетных ГТД, зон компромиссных решений, которые используются для решения этой задачи.