Исследование методов обработки изображений с помощью пакета IMAGE PROCESSING TOOLBOX: Методические указания к лабораторным работам, страница 12

К достоинствам байесовского подхода относится то, что он дает возможность использования многомерных гистограмм и позволяет правильно классифицировать объект при изменении его пространственной ориентации. Вместе с тем, требуется перебор многих параметров алгоритма, в том числе разрядности гистограмм признаков и размеров окна для достижения приемлемого результата. Подход на основе анализа гистограмм не учитывает локальной информации о положении точек изображения и их связности, что может не позволить ему эффективно отделить объект от неоднородного фона (рис. 7).

2.3. Метод центроидного связывания

Данный метод сегментации основан на активном использовании локальной признаковой информации. Идея метода достаточно проста и кратко может быть описана следующим образом [1]. На плоскости изображения выбирается некоторое число стартовых точек, которые размечаются определенным образом, и осуществляется анализ соседних точек. Если для пары точек, например стартовой и соседней с ней, выполняется условие однородности, то соседняя точка получает ту же метку, что и стартовая.

Далее рассматриваются соседи соседей, и процесс разметки производится аналогично. Этот процесс завершается после того, как каждая точка  изображения получает какую-либо метку. Если априорно известно число областей сегментации и местоположение стартовых точек (которые должны отстоять на достаточном расстоянии от  границ областей), а также простой в вычислительном отношении критерий однородности, то данный метод позволяет построить простые алгоритмы и получить качественные результаты. Указанная ранее априорная информация, как правило, отсутствует, и поэтому практические алгоритмы сегментации не так просты. Рассматриваемый метод в значительно большей степени эмпирический, чем байесовский, и теоретический прогноз результатов работы алгоритма возможен лишь для достаточно простых изображений.

Важными моментами алгоритма являются: вид критерия однородности, способ выбора стартовых точек и способ просмотра соседних точек изображения. Не существует конкретных рекомендаций для выбора стартовых точек. Однако в литературе отмечается, что такие точки не должны быть соседними, а при наличии априорной информации о расположении объектов эта  информация должна учитываться [4].

При классификации исходного изображения на объект и фон критерий однородности может иметь следующий вид:

|f (i, j) – μ| < T,                                                      (19)

где μ - среднее значение яркости точек, принадлежащих объекту, T – фиксированный порог.

В простейшем случае осуществляется сканирование изображения слева направо и сверху вниз и сравнение значения яркости текущей анализируемой точки со средним значением яркости уже размеченных точек, но не обязательно представляющих завершенный сегмент изображения. Если эти значения достаточно близки (например, в смысле (19)), то анализируемая точка добавляется к сегменту и среднее значение яркости пересчитывается. Если критерий (19) не выполняется, то анализируемая точка считается принадлежащей фону.

Алгоритмам центроидного связывания свойствен ряд недостатков, среди которых можно указать:

·  наличие неопределенности в выборе стартовых точек;

·  зависимость результатов сегментации от порядка просмотра точек изображения;

·  необходимость применения повторной обработки (повторных “проходов” по полю  изображения) для ликвидации ложных областей  и для слияния в единое целое частей одной области;

·  отсутствие теоретически обоснованных рекомендаций для выбора порога Tв зависимостях вида (19).

В то же время этот класс алгоритмов представляет несомненный интерес, потому что является единственным допускающим построчный способ обработки изображений. В лабораторной работе предлагается выбрать одну стартовую точку и просмотр производить вокруг нее. На рис. 8 проиллюстрирована зависимость результатов сегментации от выбора начальной (стартовой) точки.

Рис. 8. Влияние выбора стартовой точки на результаты сегментации

2.4. Методы выделения границ

Методы выделения границ можно классифицировать на три группы [1]:

·  пространственное дифференцирование;

·  функциональная аппроксимация;

·  высокочастотная фильтрация.

Общим для всех этих методов является стремление рассматривать границу как область резкого перепада функции яркости f (x,y). Отличает же их используемая математическая модель перепада яркости и алгоритм его поиска. Обычно границы разделяют несколько областей, каждая из которых имеет приблизительно равномерную яркость. Часто края возникают как результат наличия силуэтных линий объектов. В этом случае упомянутые области являются представлениями разных поверхностей. Края также возникают из-за отсутствия непрерывности в ориентации поверхностей и разрывов в их отражательных свойствах.

Наибольшее распространение в системах технического зрения благодаря своей простоте и вычислительной эффективности получил метод пространственного дифференцирования. Формально под краями (границами) в этом методе понимаются такие кривые на изображении, вдоль которых происходит резкое изменение производных яркости по пространственным переменным. На практике для выделения границ используются известные операторы Собеля, Превитта, Робертса (13) и другие.

К главным недостаткам метода пространственного дифференцирования относится то, что на реальных изображениях края могут содержать разрывы, нередко выявляются ложные границы и помехи (рис. 9). Поэтому возникает необходимость применения специальных алгоритмов повторной обработки для удаления разрывов контуров.

В пакете MATLAB существует встроенная функция edge, в которой реализована поддержка большинства алгоритмов, использующих дифференциальные операторы.