Математика/4. Прикладная математика

Плеханов Н.С.

Муромский институт (филиал) ГОУ ВПО «Владимирский государственный университет», Муром, Россия

МЕТОДЫ СЕГМЕНТАЦИИ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ

Проводится обзор и классификация методов автоматической сегментации цветных изображений.

На протяжении последних десятилетий сегментация изображений, т.е. идентификация однородных областей на изображении, является объектом активных исследований. Существует большое количество алгоритмов автоматической сегментации полутоновых изображений. Однако, проблеме сегментации цветных изображений, содержащих большее количество информации об объектах сцены, уделено значительно меньшее внимание. В настоящее время с развитием и распространением аппаратуры регистрации цифровых цветных изображений разработчикам компьютерных систем обработки изображений (систем технического зрения) все чаще приходится решать задачи сегментации цветных изображений [1].

Сегментация цветного изображения это процесс выделения из пространства изображения одной или нескольких связных областей, удовлетворяющих критерию однородности, основанному на признаках, вычисляемых из значений нескольких цветовых компонентов. Эти компоненты определены в выбранной модели цветового пространства [3].

Изображения, полученные с помощью цифровых камер и сканеров, обычно представлены в цветовом пространстве RGB. Также широко используются цветовые модели, основанные на восприятии человека, такие как HSB, и аппаратно-независимые модели XYZ, CIE(Lab), CIE(Luv) и др.

Например, цветное изображение размером MxN, заданное в системе координат RGB представляется в виде трех векторов, длиной каждого MxN. Для дальнейших исследований вычисляются ковариационная матрица K изображения, ее собственные значения и определяются оси новой системы координат.

где V1, V2, V3 — новые оси, e_ij — координаты собственных векторов, соответствующих собственным значениям l₁ , l₂ , l₃ ,

где

l₁>=l₂>=l₃.

Возможно, наиболее важный признак метода сегментации это способ определения области. Можно выделить 4 основных типа определений:

1. Область это связное подмножество множества пикселов, определенное порождающей функцией, заданной в пространстве цветов. Семейство алгоритмов, использующих такое определение области, называют пиксельными алгоритмами сегментации. Выделяется несколько групп пиксельных алгоритмов:

а). Пороговое отсечение. В данной группе алгоритмов строятся гистограммы цветовых признаков. Для автоматического поиска по гистограммам порогов, как правило, используются алгоритмы, применяемые при обработке полутоновых изображений, например, критерий Отсу.

b). Кластеризация в пространстве цветов. Значения пикселов собираются в группы (кластеры) с одним или более представителем, которые используются далее в процессе классификации.

c). Кластеризация в пространстве цветов с использованием аппарата нечеткой логики (fuzzy logic). Для всех пикселов вычисляются нечеткие функции принадлежности и определяются нечеткие кластеры. Четкие кластеры получаются в результате анализа степени принадлежности. Далее изображение разбивается на связные области.

2. Область это максимальное по площади связное множество пикселов, для которого выполняется свойство однородности. Алгоритмы, использующие такой подход, можно разделить на две группы:

a) Методы наращения областей. Задается некоторое количество базовых однородных областей, после чего используются различные стратегии для объединения соседних областей.

b) Методы разбиения-слияния. Такие алгоритмы начинают работать с неоднородными областями, разбивая их до получения однородных областей, после чего применяют некоторые эвристические подходы для объединения с целью получить максимальные по площади области.

3. Область это связное множество пикселов, окруженное граничными пикселями, образующими цветовой контур. Области также однородны, т.к. они являются дополнением множества неоднородных областей, образованных граничными пикселями. Часто контур имеет разрывы и необходимо решать задачу замыкания контуров.

Локальные методы для определения граничных точек используют информацию из окрестности этой точки. Глобальные методы выполняют глобальную оптимизацию, и, таким образом, граничная точка может быть определена в результате многих шагов оптимизации, включающих изменения больших участков изображения.

4. Области соответствуют поверхностям или объектам из однородного материала, т.е. области представляют связный материал в сцене. Основное отличие данных методов от вышеперечисленных состоит в том, что учитываются отражающие свойства материалов сцены. Таким образом, применение данного класса алгоритмов ограничивается набором объектов, для которых хорошо известны и могут быть смоделированы их отражающие свойства.

Литература:

1. Методы компьютерной обработки изображений. Под ред. В.А. Сойфера. – М.: ФИЗМАТЛИТ, 2003. – 784 с.

2. Абламейко С. В., Лагуновский Д. М., Обработка изображений: технология, методы, применение/ Учебное пособие. – Мн.: Амалфея, 2000 – 304с.

3. Y. Deng, B. S. Manjunath, and H, Shin, “Color Image Segmentation”, CVPR 1999.

4. У. Прэтт. Цифровая обработка изображений: Пер с англ. -М.:Мир,1982. 790 C. в 2 т.