Обработка и фильтрация изображений. Особенности изображений как информационных процессов. Типы помех и искажений, их свойства и модельные представления, страница 19

  

а)                                                         б)

Рис. 14.12. Исходное изображение, сформированное РСА (искаженное спеклом) (а) и результат его двухэтапной обработки (б)

            Отметим, что фильтры, обеспечивающие максимальное , не всегда приводят к наилучшим результатам в плане интерпретационных критериев. В частности, ДКП-фильтр обычно обеспечивает большее , чем МСФ. Однако, если решается задача обнаружения и локализации по обработанному изображению малоразмерных объектов, то на этапе предварительной обработки целесообразно использовать МСФ, а не ДКП-фильтр.  

              14.8. Другие методы обработки изображений

             Ранее уже говорилось о том, что при превалирующем влиянии эффектов смаза и дефокусировки в присутствии не очень интенсивных помех решается не задача фильтрации, а задача восстановления изображений, хотя при этом в том или ином виде  могут использоваться и методы линейной или нелинейной фильтрации. Основная цель при восстановлении - уменьшить негативное влияние функции рассеяния точки в (14.2) и не допустить усиление помех, а, при возможности, и частично подавить их.    

Классические постановка и подход к решению задачи восстановления предполагают выполнение условий , , . 

Выражение (14.2) в дискретном виде в области пространственных частот  и  (KxL - размер изображения)  записывается в виде

                                       ,                    (14.29)

где ,  и - двумерные дискретные спектры (Фурье - образы) соответственно обрабатываемого и истинного изображений и помех;  - Фурье-образ дискретизированной функции .

Метод восстановления, обычно называемый тихоновской регуляризацией, предусматривает использование стабилизирующего функционала  и следующей процедуры

                          ,                  (14.30)

где - параметр регуляризации, а  описывается выражением

                                      ,                        (14.31)

 , - порядок регуляризации. Варьируя и выбирая и , можно достичь компромисса между устранением дефокусировки (смаза) и подавлением помех.

            Очевидно, что восстановление с использованием регуляризации представляет собой линейную фильтрацию в частотной области. Наблюдаемые при этом эффекты повышения четкости изображения видны на рис. 14.13. Желающим ознакомиться с другими методами восстановления ( а к настоящему времени разработаны разнообразные подходы) рекомендуем книгу Г.И. Василенко.   

а)

б)

Рис. 14.13. Исходное изображение (а) и результат его восстановления (б). 

            Другая задача обработки изображений - их сегментация, которая предусматривает разбиение изображений на участки, являющиеся однородными по тому или иному признаку. Простейший из этих признаков для одноканальных изображений - диапазон значений. Кроме того, возможна сегментация с учетом текстурных признаков. Для цветных изображений при сегментации могут использоваться также цветовые признаки, а для изображений дистанционного зондирования - принадлежность к объектам различного типа, например, водная поверхность, лес, сельскохозяйственные угодья, урбанизированные области и т.д. При сегментации несколько признаков, например, цвет и текстура, могут использоваться в комплексе.

            Многие методы сегментации в качестве одного из основных этапов предусматривают обнаружение и локализацию границ площадных объектов. К алгоритмам обнаружения (детектирования) границ предъявляется ряд противоречивых требований. Они должны обеспечивать надежное обнаружение истинных границ и точно (неразрывной линией минимальной ширины) указывать их положение на изображении. Часто желательно, чтобы детекторы не реагировали на протяженные объекты шириной один-два пиксела, были устойчивы к присутствию импульсных помех при , давали минимальное число ложных срабатываний на однородных участках изображений и т.д.