Файл: GOSY.doc

Вопрос 2 – Анализ информации, содержащейся в изображении. Усиление полезной и подавление нежелательной информации. Шум. Подавление шума в изображении.

Вопрос 3 – Создание примитива «Тор»

Экзаменационный билет № 12

Вопрос 1 – Предобработка изображений. Алгоритмы сегментации изображений. Выделение признаков из изображений и измерение их параметров.

Обработка изображений

Основная причина обработки изображения – сделать его “лучше” с точки зрения человека. Или компьютера. Этот вот обтекаемый термин – “лучше” – может означать что угодно – контрастнее, четче, скрыть неугодные родинки на лице неудачной фотографии или выделить все границы на изображении.

Все методы предобработки изображений объединяет одна особенность – на вход они получают изображение, и на выходе также выдают изображение. Методы эти, в зависимости от контекста, могут называться фильтрацией изображений, повышением качества (восстановлением) или, по-просту, предварительной обработкой изображения.

Простейшие методы обработки изображения – морфологические операции, применяемые к бинарным изображениям. Несмотря на кажущуюся простоту, могут быть полезны для выделения границ и сегментов.

С точки зрения компьютера, изображение содержит сигнал, в котором наряду с полезной информацией содержится шум, от которого необходимо избавиться. Полезную информацию, при этом, желательно так или иначе усилить.

Какую информацию можно извлечь из изображения?

Вспоминаем, что понаписано в предыдущей статье – изображение это, всего навсего, такая функция от двух переменных. Раз функция, то, при желании, можно искать ее производные. Вектор из частных производных для каждого пикселя – это градиент этого пикселя или его направление (orientation). Для изображения частные производные можно вычислять через разность текущего и соседнего значений пикселей (смачно разжеванные детали – тут). По градиентам всего изображения можно построить гистограмму ориентированных градиентов – histogram of oriented gradients, которая используется повсеместно.

Если у нас в распоряжении есть несколько изображений одной и той же сцены, сделанные через какие-то промежутки времени, то, для того чтобы определить динамическую составляющую сцены (как выносили сейф или качалась травка) можно рассчитать оптический поток – optical flow – вектор, отражающий движение пикселя от фрейма к фрейму, в зависимости от времени. В вике упоминаются методы для его вычисления по градиенту. Еще одна характеристика которая может быть полезна при анализе изображения – disparity – невязка - насколько пиксель не совпадает с самим собой на двух изображениях

Если посмотреть на изображение отрешенно, то можно абстрагироваться от высокоуровневой информации и признать, что даже на самых простых изображениях есть уйма простейших геометрических образований, которые могут быть нам полезны: границы – линии и углы. Их локализация, усиление и выделение могут стать хорошей подмогой для нежных высокоуровневых алгоритмов распознавания объектов.

Границы могут быть образованы совершенно разными условиями – изменениями цвета/текстуры, разрывами поверхностями – когда нормаль резко меняется, вызванными перепадами освещения и тенями. Иногда рассматривают отдельно различные виды моделей границ – step\roof\spike\ramp. Простейший способ определения границ – вычисление производных функций изображения. На практике же используются стандартный кэни – Gradient of Gaussian (Canny) – подробно и наглядно на русском здесь. Как альтернатива – LoG (Laplacian of Gaussian  Marr-Hildreth).

При всем многообразии методов обработки изображений – их применение сопряжено с единственной проблемой – компьютер так и не может определить, насколько тот или иной метод, примененный к конкретному изображению улучшил его с точки зрения человека. Не смотря на то, что существуют метрики сравнения картинок – MSE - среднеквадратичная ошибка, пиковое отношение сигнал-шум – PSNR, они не учитывают человеческое восприятие. На данный момент универсальной метрики нет.

сегментации

Сегментацией изображения называется разбиение изображения на непохожие по некоторому признаку области. Предполагается, что области соответствуют реальным объектам, или их частям, а границы областей соответствуют границам объектов. Сегментация играет важную роль в задачах обработки изображений и компьютерного зрения.

Методы сегментации можно разделить на два класса: автоматические – не требующие взаимодействия с пользователем и интерактивные – использующие пользовательский ввод непосредственно в процессе работы. В данной статье рассматриваются только автоматические методы.

Задачи автоматической сегментации делятся на два класса:

• выделение областей изображения с известными свойствами

• разбиение изображения на однородные области

Между этими двумя постановками задачи есть принципиальная разница. В первом случае задача сегментации состоит в поиске определенных областей, о которых имеется априорная информация (например, мы знаем цвет, форму областей, или интересующие нас области представляют собой изображения известного объекта). Методы этой группы узко специализированы для каждой конкретной задачи. Сегментация в такой постановке используется в основном в задачах машинного зрения (анализ сцен, поиск объектов на изображении).

Во втором случае никакая априорная информация о свойствах областей не используется, зато на само разбиение изображения накладываются некоторые условия (например, все области должны быть однородны по цвету и текстуре). Так как при такой постановке задачи сегментации не используется априорная информация об изображенных объектах, то методы этой группы универсальны и применимы к любым изображениям. В основном сегментация в этой постановке применяется на начальном этапе решения задачи, для того чтобы получить представление изображения в более удобном виде для дальнейшей работы.

Классификация алгоритмов

Выделяют следующие алгоритмы сегментации:

1. Пороговые алгоритмы;

2. Алгоритм наращивания областей;

3. Граничные алгоритмы;

4. Алгоритмы сегментации на основе кластеризации.

Пороговые алгоритмы

Если необходимо распознавать изображение, области которого значительно

различаются по яркости, то рекомендуется использовать пороговые алгоритмы, например,

для сегментации алгоритмом порогового распределения необходимо получить бинарное

изображение из полутонового[1]. Для этого устанавливается некоторое пороговое

ограничение. После квантования функция изображения отображает элементы

изображения с уровнем яркости больше порогового в значение 1, меньшее порогового 0.

В таких случаях оптимальное значение порога определяется достаточно легко на основе

анализа гистограмм. Дальнейшее его естественное развитие – мультипороговая

сегментация.

где b – соотношение пикселей фона на изображении. Она дает более реалистичное распределение, подтверждающее, что пик гистограммы в наивысшем или

низшем значении яркости может повлиять на смещение минимума в ту или иную сторону,

то есть это определенное пороговое значение будет неточным.

Данные алгоритмы позволяют сегментировать простые изображения, но, как

правило, не дают хорошего результата на изображениях с наличием неровного освещения,

вспышек, теней и различных помех, что, к сожалению, часто встречается в реальных

реалистичное распределение, подтверждающее, что пик гистограммы в наивысшем или

низшем значении яркости может повлиять на смещение минимума в ту или иную сторону,

то есть это определенное пороговое значение будет неточным.

Данные алгоритмы позволяют сегментировать простые изображения, но, как

правило, не дают хорошего результата на изображениях с наличием неровного освещения,

вспышек, теней и различных помех, что, к сожалению, часто встречается в реальных ситуациях. Кроме того, при наличии значительных интервалов между экстремумами

определение значимого минимума может быть затруднительным.

Для уменьшения влияния указанных недостатков разработаны алгоритмы,

которые реализуют анализ взвешенных значений экстремумов, а точнее анализируют

интенсивность и градиент.

В общем случае, для корректного использования алгоритмов пороговых значений,

нужно избегать «смещения» при выборе порогового значения путем жесткого контроля

одинаковости распределения в темных и светлых областях гистограммы яркости;

необходимо разбивать изображение на возможно малые элементы, чтобы гистограмма

яркости имела ярко выраженные экстремумы; эти элементы должны быть достаточно

большими, чтобы объем статистической выборки позволял удовлетворительно оценить

местоположение экстремумов и описать окрестность.

Алгоритмы наращивания областей

Если на изображении имеет место устойчивая связность внутри отдельных

сегментов, то рекомендуется использовать алгоритмы наращивания областей - происходит

группировка соседних элементов с одинаковыми или близкими уровнями яркости,

которые после объединяются в однородные области. Наиболее распространенные

алгоритмы нахождения областей включают в себя такие алгоритмы, как слияние-

расщепление областей, алгоритм водоразделов и алгоритм центроидного связывания [2].

Простые способы наращивания областей используют только совокупности

свойств отдельных групп точек для определения примитивных областей. Более сложные

алгоритмы построены на объединении примитивных областей.

При центроидном связывании на основании информации об объекте выбираются

стартовые точки, которым присваиваются различные метки. Точки с одинаковыми

метками образуют отдельные множества. Такой алгоритм наиболее пригоден для

сегментации простых изображений. Для более сложных изображений выбор точек

проводится по итерациям, на каждой из которых рассматривается набор точек на предмет

принадлежности их соседей данному множеству. Точки, включенные в множество на

предыдущих итерациях, не рассматриваются. Так проводится анализ всех множеств по

очереди. Точки, добавленные к множеству на данной итерации, называются фронтом, а

объединение фронтов – волной, поэтому такие алгоритмы получили название – волновые.

Алгоритм слияния-расщепления разделяет точки изображения путем разбиения

некоторым образом изображения на квадраты, которые затем анализируются для их

проверки на однородность (чаще всего это однородность по яркости). Если квадрат не удовлетворяет условиям однородности, он заменяется четырьмя «подквадратами», а

подходящие по условию однородности 4 квадрата могут быть объединены в одну область.

К недостаткам алгоритмов нахождения областей в первую очередь относят то, что

они выделяют общие фрагменты, зачастую не показывая информации об изменении

яркости внутри области и возможных внутренних границах. Однако эти алгоритмы

зарекомендовали себя более эффективными при работе с зашумленными изображениями.

Граничные алгоритмы

Другой способ сегментации заключается в нахождении точек, лежащих на

границах областей [3]. Характеристика яркости - основная для определения границ, хотя

часто используются такие характеристики, как текстура и, конечно же, градиент.

Границей называют сильные локальные изменения яркости на изображении.

Фактически они разделяют области. Часто граница определяется как скачок значения

первой производной яркости изображения. Такие «разрывности» (неоднородности) могут

быть пошаговыми, когда яркость на изображении резко меняет свое значение вплоть до

противоположного значения, и линейными, когда значение яркости также внезапно

меняется, но через короткий промежуток возвращается к первоначальному состоянию.

Последние изменения встречаются не часто вследствие сглаживания в изображениях,

получаемых при использовании практически всех устройств получения/преобразования

изображений. Поэтому при рассмотрении изменений в пределах конечного отрезка

пошаговые изменения фактически идентифицируются как линейно возрастающие, а

линейные – как треугольные. Встречаются случаи, когда границу удобно

идентифицировать по обоим признакам.

Фрагмент границы соответствует координатам границы i и j, и направленности

границы Q, которая может быть градиентным углом. Набор границ или математическая

кривая, моделирующая набор границ, образует контур. Существуют алгоритмы

соединения границ (создание упорядоченного набора границ), использующие локальную

информацию для принятия решения о принадлежности пикселя границе, и алгоритмы