CC BY
14
ПРОБЛЕМЫ ДОПОЛНИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ ПРИ ТЕКСТУРНОМ СЕГМЕНТИРОВАНИИ
© Волков Е.П.*
Южный федеральный университет, г. Таганрог
В данной статье рассматриваются проблемы предварительной и заключительной обработки изображений при текстурном сегментировании. Показано, что сама операция вычисления статистических текстурных характеристик Р.М. Харалика не достаточна для формирования маски сегментации изображения. Предложены пути решения обозначенных проблем. Сегментирование изображений, текстура, текстурные характеристики.
Харалик Р.М. в [1] предложил способы вычисления некоторых статистических текстурных характеристик изображений, представленных в градациях серого цвета. А. Уппалари дополнил набор текстурных характеристик Харалика в [2]. Вычисление этих свойств основано на обработке матрицы смежности (GLCM - gray-level co-occurrence matrix). При построении матрицы смежности задаётся ряд параметров, определение которых является открытым вопросом. Параметры для вычисления матрицы смежности:
1. флаг нормирования входного изображения;
2. количество градаций серого, к которому приводится входное изображение;
3. набор спецификаторов определяющих расстояния между анализируемыми пикселами.
В каких случаях требуется нормировать входное изображение? Если требуется обнаруживать как одинаковые или похожие текстуры в участках с изменённой линейно друг относительно друга амплитудой яркости, то необходимо нормировать эти участки изображения перед вычислением их матриц смежности. Если входное изображение зашумлено, то при нормировке шумы могут восприняться как текстурные особенности, и в таких случаях нормирование изображений или их частей может привести к неверным результатам.
Количество градаций выше указанными авторами по умолчанию принимается равным 8. Однако, в результате серии проведённых опытов, было выяснено, что 8 градаций яркости с одной стороны удобно для дальнейших вычислений GLCM и текстурных свойств, а с другой - обеспечивает потерю большого количества информации. Исходя из этих соображений, предлага-
* Магистрант кафедры Математического обеспечения и применения ЭВМ.
8
ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
ется определять количество градаций яркости для вычисления GLCM по формуле:
лг т NumLevelsIN
NumLevelsGLCM =---— (1)
std (input)
где NumLevelsGLCM - количество градаций яркости для вычисления GLCM;
NumLevelsIN - количество градация яркости входного изображения; std(input) - стандартное отклонение яркости входного изображения.
При использовании такого подхода квантованное изображение максимально приближено к квантованию его человеческим глазом и мозгом при непродолжительном рассмотрении изображения.
Набор спецификаторов для описания расстояний между анализируемыми пикселами обычно определяется парами смещений по вертикали и горизонтали для анализируемых пикселов. Если мы хотим учесть «соседние» восемь пикселов, то определение восьми спецификаторов излишне. Достаточно определить четыре неколлинеарных вектора направлений изменения координат. Однако, при проведении текстурного анализа, правильно учитывать многомасштабность представления единой текстуры в разных фрагментах изображения. Это можно сделать либо за счёт масштабирования изображения, либо при использовании коэффициентов масштабирования (целочисленных) для определения спецификаторов.
С одной стороны расчёт матрицы смежности скользящим окном - не тривиальная задача и по трудоёмкости значительно превосходит свёртку, с другой - если анализировать фрагменты изображения с одинаковым масштабом, то сегментируются только фрагменты совпадающие по масштабу с окном анализа. Из этой проблемы существует три выхода:
- производить многомасштабный анализ всего изображения скользящим окном;
- производить предварительный яркостной, контурный, морфологический и / или другой анализ;
- производить «выращивание» текстурных элементов из затравочных точек.
Первый вариант обладает большой вычислительной трудоёмкостью. Он даст очень большое количество откликов, которые надо будет классифицировать, что тоже является не тривиальной задачей. Этот способ может дать почти исчерпывающую картину сегментации, недостатком картины будет то, что сегменты будут образовываться из пересечения и / или объединения фигур, подобных окну (квадрат, прямоугольник, круг и т.п.).
Системный анализ, управление и обработка информации
9
Если пойти вторым путём, то перед определением текстурных характеристик у нас уже будет иметься некоторая карта кластеризации, после чего остаётся лишь вычислить текстурные характеристике по маскам кластеров и при необходимости объединить некоторые кластера. Недостатком данного подхода является то, что найденные области сегментированы по текстурным характеристикам лишь от части. Основой образования сегментов будет являться именно метод предварительной обработки. Именно этот метод будет определять границы областей (сегментов).
Третий метод заключается в том, чтобы взять некоторую область изображения, определить для неё характеристики, после чего «прирастить» некоторую смежную область изображения к имеющейся и / или «отделить» граничную часть существующей области и заново вычислить текстурные характеристики. Можно из одной базовой области произвести параллельно несколько подобных «метаморфоз», после чего сравнить наборы текстурных характеристик и далее «двигаться» в направлении наименьшего интегрального изменения текстурных характеристик. При этом нужно установить максимальный порог изменения свойств, который будет определять окончание поиска границ текстурного сегмента. После окончания «выращивания» отдельных сегментов необходимо провести перекрёстный анализ характеристик сегментов с целью объединить различные области в общие сегменты при определении сходства их свойств. Данный метод хорошо поддаётся распараллеливанию и оптимизируется за счёт подбора параметров. Основной проблемой является сложность инкрементного и декрементного построения матрицы смежности.
Основной проблемой всех методов текстурного анализа изображений является отсутствие единого чёткого определения текстуры и границ между текстурами. При какой разнице значений текстурных характеристик следует ещё объединять в один или уже разделять на разные сегменты два фрагмента изображения. Для её решения предлагается накопить большую базу данных текстур, выделенных из реальных фотографий и произвести обучение нейросети, после чего и определятся «пороги» сегментации для текстурных свойств.
Список литературы:
1. Haralick R.M., Shanmugam K., Dinstein I. Textural Features of Image Classification // IEEE Transactions on Systems, Man and Cybernetics. - 1973. -Vol. SMC-3, No. 6.
2. Avinash Uppuluri, GLCM texture features, Matlab Central [Электронный ресурс]. - Режим доступа: http://www.mathworks.com/matlabcentral/newsrea-der/view_thread/239608 (дата обращения: 31.05.2013).
