Научная статья на тему 'Нейросетевой метод повышения контраста изображения'

Нейросетевой метод повышения контраста изображения Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
263
56
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
НЕЙРОННАЯ СЕТЬ / ИЗОБРАЖЕНИЕ / КОНТРАСТ / NEURAL NETWORK / IMAGE / CONTRAST

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Ширма А. А., Сумин В. И., Чулюков В. А.

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

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

NEURAL METHODS OF CONTRAST ENHANCEMENT IMAGES

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.

Текст научной работы на тему «Нейросетевой метод повышения контраста изображения»

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

i Надоели баннеры? Вы всегда можете отключить рекламу.