CC BY
56
УДК 004.032.26
НЕЙРОСЕТЕВОЙ МЕТОД ПОВЫШЕНИЯ КОНТРАСТА ИЗОБРАЖЕНИЯ А.А. Ширма, В.И. Сумин, В.А. Чулюков
В статье рассматривается метод повышения контраста. Определена оптимальная нейронная сеть с необходимыми входными параметрами для достижения допустимой точности получаемых результатов. Получены результаты, демонстрирующие данный метод
Ключевые слова: нейронная сеть, изображение, контраст
Нейронные сети претендуют на то, чтобы стать универсальным аппаратом, решающим различные специфические задачи из разных областей в ГИС. Такая универсальность обусловливается тем, что нейросети дают стандартный способ решения многих нестандартных задач. К одной из таких задач относится преобразование растровых изображений в векторные графические модели. Основными достоинствами такой модели является возможность масштабирования без потери качества и сравнительно небольшой размер файлов.
Процесс векторизации растровых изображений включает три этапа: предобработка изображения, классификация объектов изображения, оконтуривание классифицированных объектов. В свою очередь, одним из компонентов предобработки изображения является улучшение контраста [3].
Одним из подходов к улучшению изображений является их обработка в пространственной области, то есть обработка множества пикселей, составляющих изображение.
Процессы пространственной обработки описываются уравнением:
g ( х, у) = Т[/( х, у )Ь где /(х, у) - входное изображение, g(х,у)- обработанное изображение, а Т -функция преобразования / , определенная в некоторой окрестности точки (х, у) .
Отсюда решение этой задачи состоит в аппроксимации подобной функции, основанной на распределении некоторых статистических характеристик по окрестности каждого элемента изображения.
Ширма Антон Александрович - ВГПУ, ассистент, е-шаіі; [email protected]
Сумин Виктор Иванович - ВГПУ, д-р техн. наук, профессор, е-шаіі: уік1огеитіп51@,уап(іех.ш Чулюков Владимир Алексеевич - ВГПУ, канд. физ.-мат.наук, доцент, е-шаіі: [email protected]
Если Т[/(х, у)] имеет вид, показанный
на рис.1, то эффект от такого преобразования выразится в получении более высокого контраста по сравнению с оригиналом, а также в затемнении пикселей со значениями меньшими т и повышении яркостей пикселей со значениями большими т на исходном изображении.
Этот метод известен, как метод усиления контраста [1], а функция Т, как «сжимающая». В качестве «сжимающей» функции используется сигмоидальная функция, представленная на рис.1 и выражаемая формулой:
р (х) = —Чг
1 + е х
Темное - Светлое
Рис.1. Преобразование для улучшения контраста
Обработка изображения происходит поэлементно, где элементом изображения является пиксель. Главный подход в определении окрестности вокруг точки ( х, у) заключается в
использовании квадратной или прямоугольной области £ вокруг обрабатываемого элемента. Чаще всего подмножество изображения представляет собой небольшой двумерный массив. Затем центр этой области передвигается от точки к точке и для каждого нового положения окрестности подсчитывается гистограмма по входящим в нее точкам.
Гистограммой цифрового изображения с уровнями яркости в диапазоне [0, Ь-1] называется дискретная функция к(гк) = пг^, где гк
есть к-ый уровень яркости, пк - число пикселей внутри окрестности £, имеющих яркость гк , а Ь - максимально допустимый уровень яркости.
Для повышения яркости можно использовать некоторые статистические параметры, полученные из гистограмм - математическое ожидание т3 , как меру среднего уровня яркости внутри окрестности и дисперсию ,
как меру среднего контраста внутри окрестности.
т*,У = Е ^) р(г^ ^
)е£ху
= Е (г>,о - т*>,)2 р^о^
( )^ЯХу
пг
Р*ху (Гк ) = — , к = 0,-> ^ - 1,
^у п„
^ху
где гк - значение яркости пикселя к-го уровня яркости внутри окрестности,
р3 (гк ) - вероятность появления пикселя
к-го уровня яркости внутри окрестности,
П - число пикселей яркости гк внутри
окрестности,
п3 - общее число пикселей внутри окре-
стности.
Таким образом, изменение яркости пикселя можно представить в общем виде следующим преобразованием [2]:
g (х у) = Т [щху, Б8ху, /тг ],
где g(х, у) - новое значение яркости пикселя (х,у), а / - среднее значение ярко-
сти входного изображения.
Для оценивания качества полученного изображения будет использоваться формула Муантеану-Роса [4]:
М = 1п(1п(£ + е)) ехр( Н),
МЫ
255
н = -Е >, 1п I,,
0
где Е - суммарная интенсивность пикселей на контурах на изображении, п - количество пикселей на контурах; N и М - соответственно ширина и высота изображения; 11 - доля
пикселей с >м уровнем яркости.
Согласно этой оценке, чем больше значение М, тем лучше визуальное качество.
Для экспериментальной проверки предлагаемого метода будем использовать следующие алгоритмы и параметры для обработки и оценки изображений:
- однонейронный персептрон;
- детектор края Собеля [1];
- радиус окрестности пикселей Я = 1;
- для обучения использовались два изображения (рис. 1), размером 64х100 пикселей (рис. 2, а) и 120х120 пиксель (рис. 2, б).
Результат обработки изображения с использованием обученной ИНС представлен на рис. 3в.
а) б)
Рис. 2. Изображения для обучения
Рис. 3 а. Исходное изображение (M = 117.53)
Рис. 3в. Обработанное изображение (M = 118.02)
Время обучения на двух изображениях составило ~ 12 с. на компьютере с процессором Intel Pentium-4 с частотой 2.8 ГГц.
Результаты исследований предложенного метода улучшения качества изображений показывают его применимость для решения поставленной задачи.
Литература
1. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс ; пер с англ. под ред. П. А. Чочиа .— М. : Техносфера, 2005 .— 1070 с. : ил.
2. Цой Ю.Р., Спицын В.Г., Чернявский А.В. Нейро-эволюционное улучшение качества изображений // Научная сессия МИФИ - 2006. VIII Всероссийская научнотехническая конференция "Нейроинформатика-2006": Сборник трудов. В 3-х частях. Ч.1. М.:МИФИ, 2006. - с. 181-189.
3. Чулюков, В. А. Некоторые аспекты векторизации изображений. / В.А.Чулюков, А.А. Ширма // Междунар. начн.-практ. конф. "Перспективные инновации в науке, образовании, производстве и транспорте '2008": сб.научн.тр. - Одесса: Черноморье, 2008. - Том 2. Технические науки - с.29-31.
4. Munteanu, C. Gray-scale image enhancement as an automatic process driven 202 by evolution / C. Munteanu, A. Rosa // IEEE Trans. on Systems, Man, and Cybernetics - part B: Cybernetics. - 2004. - Vol. 34, no. 2
Воронежский государственный педагогический университет
NEURAL METHODS OF CONTRAST ENHANCEMENT IMAGES A.A. Shirma, V.I. Sumin, V.A. Chuljukov
The article discusses a method of increasing contrast. The optimal neural network with the necessary inputs to achieve acceptable accuracy of the results. The results, which demonstrate the method.
Key words: neural network, image, contrast
