При расчете расстояний, и, соответственно, выходных сигналов векторных фильтров необходимо принимать во внимание статистические характеристики помех в компонентных сигналах или изображениях. При одинаковых статистических характеристиках помех во всех одноканальных изображениях расстояния между векторами рассчитываются как обычные нормы.
14.7. Локально-адаптивные фильтры и многоэтапная обработка изображений
В значительной степени от перечисленных выше недостатков методов неадаптивной однопроходной фильтрации можно избавиться при использовании либо методов локально-адаптивной фильтрации, либо за счет применения процедур многоэтапной фильтрации изображений.
Первые локально-адаптивные фильтры (ЛАФ)
были предложены более двадцати лет назад. Это были фильтры Ли и Фроста, которые
для ряда приложений до сих пор остаются одними из лучших. Эти фильтры относятся
к подклассу локально-адаптивных фильтров с мягким переключением, поскольку их
параметры плавно зависят от значения показателя локальной активности (ПЛА), в
качестве которого выступает локальная дисперсия 
. Фильтры Ли
и Фроста разработаны в предположении наличия превалирующего мультипликативного
шума, и выходные изображения для них формируются соответственно в виде
, (14.26)
, (14.27)
где 
; 
, 
; 
- коэффициент,
приводящий сумму весовых множителей к единице.
Достоинства фильтров Ли и Фроста заключаются в достаточно эффективном подавлении помех на однородных участках, хорошем сохранении границ, малоразмерных объектов и текстуры, применимости как при гауссовой, так и негауссовых ПРВ мультипликативных помех. При исходно негауссовой ПРВ спекла после фильтрации ПРВ остаточных флуктуаций становится близкой к гауссовой. Кроме того, фильтр Ли обладает очень высоким быстродействием. Однако оба фильтра не являются робастными по отношению к импульсным помехам.
В 90-е годы было предложено большое количество ЛАФ с жестким переключением. Обобщенная структурная схема таких ЛАФ представлена на рис. 14.9.
Предполагается, что каждый пиксел обрабатываемого изображения для заданного текущего положения скользящего окна "классифицируется" в блоке 4 путем анализа одного или нескольких локальных параметров (ПЛА), вычисляемых в блоке 3. На основании результата классификации выбирается один, предположительно наиболее подходящий, нелинейный фильтр из банка 5 и его выходное значение используется в качестве выходного значения ЛАФ. Блоки 1 и 2 соответствуют этапу предварительного анализа изображения, и полученная в них или априорно имеющаяся информация (например, о типе и характеристиках помех) используется в остальных блоках для расчета ПЛА (блок 3) и выходных значений фильтров (блок 6), выбора фильтров, входящих в банк 5, решения задачи классификации в блоке 4.
В простейшем случае банк нелинейных фильтров может включать только два
нелинейных фильтра (один ПШФ и один СДФ), а классификация проводиться на основе
сравнения с порогом 
только одного ПЛА
. (14.28)
В качестве ПЛА в ЛАФ и, в частности, для ЛАФ (14.28)
могут использоваться детекторы границ, в частности, локальная дисперсия или квазиразмах 
(в случае
мультипликативных помех эти параметры нормируются (
, 
). Исследования показали, что оптимальные
значения 
.
Более
сложные ЛАФ, основанные на использовании большего числа нелинейных фильтров в
банке 5 или большее число ПЛА и более сложные алгоритмы классификации в 4,
обеспечивают определенный выигрыш в эффективности фильтрации по сравнению с
простейшим ЛАФ (14.28). В частности, трехкомпонентный ЛАФ, включающий в
дополнение к ПШФ (АУФ) и СДФ (МСФ) еще и текстурно-сохраняющий ДКП-фильтр,
обеспечивает повышение 
до нескольких дБ
по сравнению с наилучшими двухкомпонентными ЛАФ (14.28). Количественно и
визуально степень повышения качества фильтрации хорошо видно на рис. 14.10. При
этом для выделения текстурных участков в отдельный класс используется
совместный анализ и 
или 
и 
.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.