Современные информационные технологии/3.Программное обеспечение

магистр Толстова Марина Вадимовна

ГВУЗ «Национальный горный университет», Днепропетровск, Украина

Повышение качества слабоконтрасных изображений методом выделения текстур на основе ансамбля эталонных гистограмм в обобщенном спектральном базисе Грама-Шмидта

Обработка цифровых изображений − одно из наиболее востребованных направлений современных информационных технологий, затрагивающая, в той или иной степени, все области техники. Проводимые в данном направлении исследования являются многоплановой задачей, включающей фильтрацию шумов, градационную коррекцию, усиление локальных контрастов, резкости, разрешающей способности, использование различных типов преобразований для возможности повышения качества визуального и автоматизированного анализа визуальной информации. В общей иерархии задач обработки и анализа изображений, особую сложность представляет проблема анализа слабоконтрасных изображений, характеризуемых узким диапазоном, наличием сглаженных "размытых" участков, обнаружение и анализ которых, зачастую, и представляет основной интерес (онкология, аномальные участки изображений геофизических полей и данных дистанционного зондирования, оборонные задачи и др.).

При анализе слабоконтрастного изображения с явно выраженным узором необходим подход, учитывающий текстурные особенности. Под текстурой будем понимать двухуровневую структуру, которая представляет собой пространственную организацию (высший уровень) базовых примитивов (или непроизводных элементов), которые сами имеют случайный аспект (низший уровень).

Основная идея метода выделения текстурной составляющей на основе ансамбля эталонных гистограмм в обобщенном спектральном базисе Грама-Шмидта заключается в рассмотрении ансамбля гистограммным характеристик базы текстур как основы нового информативного базиса.

При слабоконтрастном отображении каждое изображение ансамбля размерностью L × L представляется в виде вектора-столбца. Тогда, для L = 3, формируется девять векторов c = |I_i|; i = 1,...,9. Из них можно получить ансамбль взаимно ортогональных векторов, например, при помощи преобразования Грама-Шмидта. В качестве первого вектора выбирается v₁ = c₁ и затем каждый последующий вектор v_i, ортогональный к векторам v_1,…v_i-1, рассчитывается по формуле

Для любого номера i подпространство, порожденное исходными векторами c1,...,ci, совпадает с подпространством, порожденным векторами v1,...,vi. В результате вектора, которые можно развернуть в формате изображения, становятся ортонормированными. Для слабоконтрастного изображения геофизического поля (рис.1а) результат преобразования Грама-Шмидта (рис.1б), свидетельствует о его определенной схожести с ансамблем «собственных изображений». Отличия же особенно существенно проявляются при анализе и сопоставлении двумерных энергетических Фурье-спектров этих ансамблей (рис.1в и рис.1г).

а б

в г

Рис.1 Результаты анализа слабоконтрасного изображения

На рис.2 представлены гистограмма и амплитудный срез данного слабоконтрастного изображения полученные методом выделения текстурной составляющей Грама-Шмидта.

а б

Рис. 2 Гистограмма (а) и амплитудный срез (б) метода выделения текстур в базисе Грама-Шмидта

Достоинствами данного метода является то, что, во-первых, пространственная разрешающая способность у него оказывается несколько выше, чем у других известных методов, использующихся для выделения текстур. А во вторых метод Грама-Шмидта обеспечивает несколько больший (порядка 8%) коэффициент усиления в частотной области, что приводит к увеличению разрешающей способности.

Литература:

1. Гонсалес Р. Цифровая обработка изображений / Гонсалес Р., Вудс Р.; [пер. c англ. под ред. П.А.Чочиа]. – М.: Техносфера, 2006. –1070 с.

2. Chang T. Texture analysis and classification with tree-structured wavelet transform / Chang T., Jay Ruo C. // IEEE Trans. Image Process. –1993.– Vol.4, –№ 2. – P. 429-441.

3. Haralick R.M. Statistical and structural approaches to texture // Proc. IEEE.- 1979. – Vol.67. – P. 786-804.