Исследование методов обработки изображений с помощью пакета IMAGE PROCESSING TOOLBOX: Методические указания к лабораторным работам, страница 10

2.7. Исследовать способы подавления мультипликативного шума. Для этого в тексте программе задать переменной noise_typeзначение 'speckle', переменной init_parameter– значение 0.0, переменной step_parameter – значение 0.004, переменной final_parameter – значение 0.02.

2.8. Запустить программу на выполнение. Визуально сравнить выведенные исходное, зашумленное и отфильтрованные изображения. Сделать выводы по поводу качества подавления мультипликативного шума используемыми методами. Сохранить в отдельном файле график среднеквадратической ошибки сглаживания для разных масок.

3. Знакомство с методами реставрации изображений.

3.1. Загрузить текст программы из файла, указанного преподавателем.

3.2. В открывшемся окне с текстом программы указать в качестве аргумента функции imread полное имя графического файла с исследуемым изображением, указанное преподавателем.

3.3. Последовательно изменяя тип искажений, исследовать качество реставрации изображения тремя методами: с помощью инверсного фильтра, винеровского фильтра и слепой реставрации. Сохранять для отчета в отдельных файлах итоговые графики среднеквадратической ошибки реставрации для разных фильтров.

·  Для фильтра типа 'motion' задать начальное и конечное значения параметра равные 5 и 25 соответственно, а величину шага - 5.

·  Для фильтра типа 'disk' задать начальное и конечное значения параметра равные 1 и 5 соответственно, а величину шага - 1.

·  Для фильтра типа 'gaussian' задать начальное и конечное значения параметра равные 1 и 5 соответственно, а величину шага - 1.

4. Знакомство с методами выделения перепадов (контуров) на  изображениях.

4.1. Загрузить текст программы из файла, указанного преподавателем.

4.2. В открывшемся окне с текстом программы указать в качестве аргумента функции imread полное имя графического файла с исследуемым изображением, указанное преподавателем.

4.3. Последовательно задавая метод выделения перепадов яркости, диапазон и шаг изменения порога, исследовать качество выделения перепадов яркости с помощью масок Собеля, Превитта, Робертса, метода Марра-Хильдрета и кэнни-метода. Сохранять для отчета в отдельных файлах итоговые графики критерия качества выделения контуров для разных методов.

·  Для метода Собеля изменять порог в диапазоне от 0.01 до 0.1 с шагом 0.01.

·  Для метода Превитта изменять порог в диапазоне от 0.01 до 0.1 с шагом 0.01.

·  Для метода Робертса изменять порог в диапазоне от 0.04 до 0.13 с шагом 0.01.

·  Для метода Марра-Хильдрета изменять порог в диапазоне от 0.002 до 0.02 с шагом 0.002.

·  Для метода кэнни изменять порог в диапазоне от 0.16 до 0.43 с шагом 0.03.

4. Библиографический список

1. Алпатов Б.А. Методы и алгоритмы обработки изображений в системах  управления: Учеб. пособие. Рязань: РГРТА, 1999. 64 с.

2. Прэтт У. Цифровая обработка изображений: В 2-х т.: Пер. c  англ. / Под ред. О. С. Лебедева. М.: Мир, 1982. 790 с.

ЛАБОРАТОРНАЯ РАБОТА № 3

МЕТОДЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

1. Цель работы

Целью работы является изучение основных методов сегментации изображений и исследование влияния некоторых параметров рассмотренных алгоритмов на качество сегментации.

2. Теоретические сведения

Сегментацией называют процесс разбиения изображения на однородные области в смысле выбранного критерия (например, средней яркости точек изображения). Такое разбиение во многом определяется правилом классификации и признаками, по которым осуществляется процедура сегментации. Так как сегментация часто является одним из этапов решения конкретной задачи по обработке изображений (например, задачи обнаружения, выделения и сопровождения движущегося объекта), то качественное выполнение этого этапа во многом определяет успех решения всей задачи. От выбранных признаков зависит то, насколько верно элемент изображения будет отнесен к “объекту” или “фону”. Под признаком изображения понимается его простейшая отличительная характеристика или свойство. Нахождение таких свойств, адекватно отражающих понятие однородности областей исходного изображения в используемом правиле классификации, является весьма актуальной задачей.

Из повседневной практики каждый видящий человек может интуитивно определить перечень признаков, по которым он визуально отличает один предмет от другого: яркость, цвет, текстура, геометрия предметов и др. В технических устройствах, часто работающих с полутоновыми изображениями, единственным источником признаков является двумерная функция яркости f (x, y). Все другие признаки получают различными методами обработки f (x, y).  Следует отметить, что использование видеодатчиков и цифровых методов обработки изображений предполагает в качестве необходимого этапа пространственную и яркостную дискретизацию непрерывного изображения f (x, y), т.е. переход к дискретной функции f (i, j), i=1,…,n, j=1,…,m, где n и m – число строк и столбцов изображения с ограниченным числом разрядов для представления каждого отсчета функции.

Часто на реальных изображениях со сложным фоном, низким контрастом и наличием шумов качество сегментации оказывается недостаточно хорошим. Тем не менее, использование существующих алгоритмов сегментации и последующая обработка бинарного изображения позволяют решать большую часть практических задач.

Существуют два общих подхода к решению задачи сегментации. Первый подход основан на выделении точек изображения, однородных по своим локальным признакам, и объединении их в область, которой позже будет присвоено имя или метка. Второй подход, широко известный и хорошо освещенный в литературе, основан на “разрывности” свойств точек изображения при переходе от одной области к другой. Этот подход сводит задачу сегментации к задаче выделения границ областей. Успешное решение последней позволяет, вообще говоря, идентифицировать и сами области, и их границы. Первый подход называют сегментацией путем разметки точек области, а второй – сегментацией путем выделения границ областей. В рамках указанных подходов существуют конкретные методы и алгоритмы решения задачи сегментации изображений. К первому подходу можно отнести байесовский метод, метод центроидного связывания, метод выбора глобального порога и др. Ко второй группе относятся методы пространственного дифференцирования, функциональной аппроксимации, высокочастотной фильтрации [1].