Захаров А.

119
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ АЛГОРИТМА ВЫДЕЛЕНИЯ
КОНТУРОВ ИЗОБРАЖЕНИЙ В МНОГОГРАДАЦИОННЫХ ПО
ЯРКОСТИ СЦЕНАХ НА БАЗЕ ДИНАМИЧЕСКОГО ПОРОГА1
А.В. Захаров2
2Марийский
государственный технический университет, 424000, Йошкар-Ола,
пл. Ленина 3. Тел. (8362) 455412.
В работе предложен эффективный подход к выделению контуров сложных,
многоградационных изображений. Представлено измерение характеристики
отношения сигнал/шум для случая выделения контуров с применением
динамического порога.
Введение
Техническое или машинное зрение процесс выделения, идентификации и
преобразования информации, полученной
из изображений.
Одним из основных элементов работы
автоматизированной системы технического
зрения является сегментация.
Сегментацией
называется
процесс
выделения на изображении интересующих
объектов и является одним из основных
элементов работы автоматизированной
системы технического зрения, так как
именно на этой стадии обработки объекты
выделяются из сцены для дальнейшего
распознавания и анализа. Пороговая
обработка является одним из основных
подходов к решению задачи сегментации
изображений и дальнейшего выделения
контуров объекта [1].
В работах [1] и [2] описывается большое
количество методов сегментации,
у
каждого имеются свои положительные и
отрицательные
моменты,
но
применительно к случаю выделения
объектов сложных многоградационных по
яркости изображений на данный момент не
существует оптимального метода.
Выделенные при сегментации объекты
удобно представлять в виде контуров.
Главным достоинством контуров является
значительное
уменьшение требуемого
объема обрабатываемой информации за
счет того, что контуры составляют
небольшую часть всех точек изображения,
и возможность создания методов обработки
контуров,
инвариантных
к
1
преобразованиям переноса, поворота и
масштабирования. Контуры задают форму
изображений, а также их масштабы и углы
поворотов [3].
Основным препятствием качественного
выделения контуров является большая
статистическая
неоднородность
изображений,
и
для
получения
эффективного
алгоритма
выделения
контуров изображения необходимо делить
все изображение на подзоны, в которых
статистика постоянна.
Разработка модели многоградационной
по яркости сцены и анализ влияния
шумов на процесс выделения контуров
Для существующих методов сравнение
можно произвести лишь субъективно, так
как в описании этих методов отсутствуют
количественные оценки эффективности,
методы
исследуются
на
различных
объектах, каждый из которых имеет свой
особый набор свойств, кроме того
исследования проводятся на реальных
изображениях.
В свою очередь реальные изображения
подвержены
действию
помех,
количественно
оценить
которые
затруднительно или зачастую практически
невозможно.
Для решения проблемы необходимо
получить модели, шумовые характеристики
которой будут полностью известны.
В работе предложена модель изображений,
для которой перепад – ступенчатый, двух
уровневый, соответственно 90 и 180 по
уровню
яркости.
Граница
перехода
Работа выполнена при поддержке РФФИ, проект № 07-01-00058а
120
объект/фон имеет вид линии. На рис. 1
приведена исходная модель исследуемой
зоны.
Также
для
реальных
изображений
характерно
присутствие
бликов
и
неоднородность освещения. На рис. 6
представлена смесь изображения и шума
вызванного неоднородностью освещения.
Рис. 1. Исходная модель исследуемой зоны
Бинарный
срез
изображения
будет
производиться, по одному и тому же
уровню
для
всех
последующих
исследований. В качестве уровня среза
возьмем яркость равную 135, которая
является средней между выбранными
двумя уровнями яркости. В идеальных
случаях, то есть при отсутствии шумов, а
также при относительно малых значениях
шумов, бинарный срез по яркости модели
исследуемой зоны не будет качественно
отличатся от исходного изображения.
Для реальных изображений характерным
является присутствие белого шума. Для
получения белого шума был применен
генератор случайных чисел.
Рис. 2. Шумы
Таким образом, мы получили модель
исследуемой зоны с полностью известными
характеристиками помех, характерных для
реальных изображений, в числе которых:
- зашумление белым шумом;
- зашумление корреляционным шумом;
- вариация освещенности.
Используя данную модель можно четко
дать оценку эффективности выделения того
или иного способа выделения контура.
Рассмотрим подробнее последовательность
исследования эффективности выделения
контуров.
1)
На
первом
этапе
необходимо
осуществить бинарный срез изображения.
2) На втором этапе необходимо выделить
контур исследуемого изображения, эту
операцию
произведем
с
помощью
алгоритма Розенфельда.
Рис. 3. Смесь
изображения и белого
шума
В
качестве
способа
получения
корреляционного шума, был использован
фильтр скользящего среднего.
Рис. 4. Вид маски
фильтра скользящего
среднего
Рис. 6. Смесь изображения и
шума вызванного неоднородностью освещения
Рис. 5. Полученное
изображение
Рис. 7. Бинарный срез по яркости и полученный
контур по алгоритму Розенфельда
3) Для последующей обработки контура на
ЭВМ
необходимо
произвести
его
кодирование, т.е. поставить в соответствие
каждому
контурному
элементу
определенное
число.
Полученная
последовательность
является кодом
контура Г и записывается в виде:
121
   n 0,k 1   0,  1,...,  k  1
. (1)
Рис. 8. Полученный кодированный контур
4) Для количественной оценки качества
выделения контура исследуемой зоны,
предлагается
использовать
спектр
выделенного
контура.
Полученный
благодаря дискретному преобразованию
Фурье, P = {ρ(m)}0,k-1 имеет вид:
k 1


 (m)    (n) exp  i
n 0
2

mn . (2)
k

5) На этом этапе вычисляется
отношение
сигнал/шум
путем
вычисления отношения
энергии
полезного сигнала Рс к энергии шума
Рш:
случае. Если яркость изображения объекта
ниже яркости фона, то знаки неравенства
надо изменить на противоположные. Если
значение порогового уровня Т одинаково
для всех пикселов сцены f(x,y), то такой
порог называется глобальным. Если же,
дополнительно,
Т
зависит
от
пространственных координат х и у, то он
называется динамическим.
При применении динамического порога
изображение разбивается на подзоны для
каждой из них вычисляется гистограмма и
проводится тест на бимодальность. Для
бимодальных подзон вычисляется значения
пороговых уровней. Для подзон, не
имеющих
бимодальных
гистограмм
вычисляются путем интерполяции порогов
соседних
подзон,
являющихся
бимодальными [1].
а)
б)
в)
(3)
Рис. 9. а) Модель исследуемой зоны. Бинарный срез
для случая применения: б) глобального порога, в)
динамического порога (30 подзон)
Отношение
сигнал/шум
является
количественной
характеристикой
изображения и позволяет судить о качестве
изображения.
На рис. 10
приведены результаты
исследований эффективности выделения
контуров изображений с применением
динамического порога.
Q  Pс / Pш .
Исследование эффективности выделения
контуров реальных изображений с
применением динамического порога
Пороговая
обработка
основана
на
определении порогового уровня яркости.
Бинарное изображение q(х,у) получается из
исходного изображения f(x,у) по правилу :
1, если f ( x, y )  T ,
q ( x, y )  
0, если f ( x, y )  T .
(4)
Его пикселы равны либо единице, если
соответствующие пикселы в исходном
изображении
имеют
яркость,
превышающие
заданное
пороговое
значение Т, либо нулю, в противном
Рис. 10. Отношение сигнал/шум для случая, когда
исследуемый объект имеет форму линии:
1 – глобальный порог; 2 – динамический порог (две
подзоны); 3 – динамический порог (четыре подзоны)
Q – Отношение сигнал/шум; σ – дисперсия
шума
122
Ниже
приведены
исследования,
проведенные на реальном изображении
(рис. 11). На рис. 12б приведена
иллюстрация карты порогов полученная
разбиением на подзоны и формированием
порога в пределах подзоны.
Рис. 14. Отношение сигнал/шум: Q - отношение
сигнал/шум; k - количество подзон
Рис. 11. Исследуемое изображение
Иллюстрация
наглядным
образом
показывает эффективность применяемого
алгоритма, уже при делении изображения
на 4 подзоны наблюдается улучшение
отношения сигнал/шум в 1,5 раза.
Заключение
а)
б)
Рис. 12. Иллюстрация карт порогов: а) глобальный
порог, б) динамический порог
Иллюстрации
выделенных
приведены на рис. 13.
а)
контуров
б)
Рис. 13. Выделенные контура с применением: а)
глобального порога, б) динамического порога
На рис. 14 представлен результат
исследований эффективности выделения
контуров изображений с применением
динамического порога.
В работе предложен эффективный подход к
выделению
контуров
сложных,
многоградационных
изображений.
Разработан
метод
формирования
зашумленной
сцены
с
заданными
статистическими
характеристиками,
вычисления отношения сигнал/шум, при
выделении
контура
изображения.
Предложен работоспособный и наиболее
помехоустойчивый, по сравнению с
существующими
методами,
алгоритм
выделения
контуров
(применяя
динамический
порог
наблюдается
улучшение отношения сигнал/шум в 2,5-4
раза по сравнению с глобальным). Показана
и экспериментально проверена на реальных
изображениях
эффективность
предложенного
метода
(наблюдается
улучшение отношения сигнал/шум в 1,5-2
раза).
Список литературы
1. Фу К., Гонсалес Р., Ли К. Робототехника:
Пер. с англ. - М.: Мир, 1989. - 624 с.
2. Бакут П.А. Сегментация изображений:
Методы
пороговой
обработки//
Зарубежная
радиоэлектроника. 1987. - № 10. с 6 - 24.
3. Введение в контурный анализ и его
приложение к обработке изображений и сигналов//
Под ред. Я.А. Фурмана. – М.: Физматлит, 2002.
4. Бакут П.А., Колмогоров Г. С. Сегментация
изображений: Методы выделения границ областей
// Зарубежная радиоэлектроника.1987. - № 10. с 25 -
123
47.