
- •Рязанская государственная радиотехническая академия
- •Методические указания к лабораторным работам
- •Рязань 2005
- •390005, Рязань, ул. Гагарина, 59/1.
- •Введение
- •Команда imfinfo
- •Общие поля структуры info
- •Команда imwrite
- •Команда imshow
- •Команда iptsetpref
- •Глобальные переменные, устанавливаемые с помощью iptsetpref
- •Команда figure
- •Команда truesize
- •Команда subplot
- •Команда imresize
- •Команда imcrop
- •Команда imrotate
- •Команда plot
- •Команда hold
- •Команда mesh
- •Команда surf
- •Команда imhist
- •Команда text
- •Команда xlabel
- •Команда ylabel
- •Команда zlabel
- •Команда legend
- •4. Команды и операторы системы matlab, используемые в лабораторной работе Команды очистки
- •Матричные операторы
- •Условные операторы
- •Команды работы со строками
- •5. Порядок выполнения работы
- •6. Библиографический список
- •Лабораторная работа № 2 методы фильтрации изображений
- •1. Цель работы
- •2. Краткие теоретические сведения
- •2.1. Подавление шумов
- •2.2. Реставрация изображений
- •2.3. Выделение контуров
- •3. Порядок выполнения работы
- •4. Библиографический список
- •Лабораторная работа № 3 методы сегментации изображений
- •1. Цель работы
- •2. Теоретические сведения
- •2.1. Метод глобальной пороговой обработки
- •2.2. Байесовский метод
- •2.3. Метод центроидного связывания
- •2.4. Методы выделения границ
- •3. Практическая часть
- •4. Порядок выполнения работы
- •5. Библиографический список
- •3. Описание программы лабораторной работы
- •4. Порядок выполнения работы
- •5. Библиографический список
- •Оглавление
- •2.2. Реставрация изображений……………………………………………. 23
- •2.3. Выделение контуров………………………………………………….. 28
- •2. Теоретические сведения………………………………………………… 34
- •Список основных функций Image Processing Toolbox Форматы представления данных
- •Преобразования типов изображений
- •Конвертирование цветовых систем
- •Геометрические преобразования изображений
- •Анализ изображений
- •Улучшение изображений
- •Фильтрация изображений
- •Сегментация изображений
- •Морфологические операции над бинарным изображением
- •Операции с массивами
- •Формирование массивов специального вида
- •Операции над матрицами
- •Основные математические функции системы Matlab Базовые функции
- •Трансцендентные функции
- •Тригонометрические функции
- •Преобразования системы координат
- •Арифметические операторы
- •Операторы отношения
- •Логические операторы
- •Операторы поразрядной обработки
- •Операторы обработки множеств
- •Специальные переменнные и константы
- •Многомерные массивы
- •Задание осей координат
- •Управление цветом
- •Палитры цветов
- •Трехмерная графика
- •Операции над графическими объектами
- •Утилиты
- •Справочные команды
- •Управление рабочей областью
2.1. Метод глобальной пороговой обработки
Данный метод является самым простым из существующих. При его использовании предполагается наличие информации о соотношении яркостей объекта и фона (объект ярче фона или наоборот). Для случая разбиения входного изображения на “объект” и “фон” элементы бинарного изображения S(i, j) получают из условия:
(17)
где T – глобальный порог.
В литературе предложено множество методик по выбору величины порога T [2,5]. Для изображений, где объект расположен на относительно однородном фоне, можно предложить следующий способ. На изображении выделяется некоторая область и в ней подсчитывается общее число точек (пикселов). Имея априорную информацию о том, какую долю в этой области занимает объект, можно приблизительно указать количество точек, приходящихся на него. Далее строится ненормированная гистограмма яркости изображения и рассматриваются два варианта: объект светлее фона и объект темнее фона. В первом случае порог T итеративно передвигается от больших значений яркости к меньшим и останавливается тогда, когда площадь ST под гистограммой справа от порога не будет равна количеству точек объекта. Во втором случае порог выставляется на малых значениях яркости и передвигается вправо. На рис. 4 приведен пример, демонстрирующий этот алгоритм.
|
|
Исходное изображение разрядность – 5 бит, всего точек – 1 890, точек объекта – 529 |
|
|
|
Бинарное изображение |
Гистограмма изображения P(f), порог T = 27, найденное количество точек объекта S 550 |
Рис. 4. Пример выбора глобального порога по количеству точек объекта
Другой подход к пороговому ограничению по яркости состоит в выборе порога, соответствующего минимуму бимодальной гистограммы, находящемуся между двумя ее пиками. На гистограмме (рис. 4) четко просматриваются два пика (моды), один из которых относится к яркости точек фона, а другой – к яркости точек объекта. Однако для многих реальных изображений определение такого минимального значения, лежащего между пиками, часто затруднено вследствие плохо выраженной модальности гистограммы.
Разработаны дискриминантный, энтропийный, моментный критерии к выбору глобального порога.
К достоинствам этого метода можно отнести простоту его реализации, а к недостаткам – невозможность его использования для изображений с неоднородной яркостью как фона, так и объекта.
2.2. Байесовский метод
Пусть на изображении выделен некоторый прямоугольный участок (область интереса), который разбит на две области: область окна и область рамки (рис. 5).
Предполагается, что сегментируемый объект полностью попадает внутрь окна, т. е. в рамке находится только фон (Ф), а в окне – как фон, так и объект (Об). Каждой точке (i, j) области интереса поставлен в соответствие вектор признаков Z T =(z1, z2 , …, zn).
Р
ис.
5. Рамка и окно на изображении
Пусть нам известны априорные вероятности принадлежности точки в окне фону Р(Ф) или объекту Р(Об) = 1 – Р(Ф), величины штрафов за ошибочное отнесение точки объекта к фону С(Ф|Об) и точки фона к объекту С(Об|Ф). Тогда, как показано в литературе [2, 3], из условия минимума средних потерь при классификации точек в окне выводится следующее правило:
(18)
г
де
,
– многомерные гистограммы признаков
Z, построенные в окне
и в рамке соответственно, A
= [(C(Об|Ф) +
С(Ф|Об))/C(Ф|Об)]
– параметр
стоимости неправильной классификации.
При увеличении
значения параметра А
уменьшается
число точек фона, ошибочно классифицированных
как объект. Однако
одновременно с этим увеличивается
число точек объекта, принятых за точки
фона, что может сильно
исказить форму объекта. С
другой стороны, если уменьшать величину
параметра А,
то многие точки фона
будут классифицированы как объект.
В лабораторной работе реализован
частный случай байесовской сегментации
- сегментация по правилу
,
что соответствует равенству штрафов
С(Об|Ф) = С(Ф|Об)
(А = 2) и равновероятной
принадлежности точки в окне как фону,
так и объекту Р(Ф) = Р(Об).
На рис. 6 приведен пример сегментации
только по яркости некоторого тестового
изображения и гистограммы, поясняющих
правило классификации. Точки, для
которых выполняется условие
,
считаются принадлежащими объекту, а
остальные – фону. Результат классификации
представляется в виде бинарной матрицы
S(i, j),
в которой единичные элементы соответствуют
точкам объекта на исходном изображении,
а нулевые – точкам фона. Для точной
сегментации реальных изображений
информации только от одного признака
часто бывает недостаточно (рис. 7).
|
Яркости точек,
принадлежащих к
объекту
Мода,
соответствующая фону
Мода,
соответствующая объекту |
Изображение объекта (5 бит) |
|
|
|
Бинарное изображение |
а) гистограмма в рамке, б) гистограмма в окне, в) разность двух гистограмм |
Рис. 6. Пример сегментации по яркости тестового изображения
|
|
Изображение объекта(5бит) |
|
|
|
Бинарное изображение |
а) гистограмма в рамке, б) гистограмма в окне, в) разность двух гистограмм |
Рис. 7. Пример сегментации по яркости реального изображения
Вопрос о том, из каких признаков должен состоять вектор Z, чтобы получить хорошие результаты сегментации в самых разнообразных ситуациях, до сих пор не имеет однозначного ответа. На сегодняшний день широко используются яркостные, градиентные, спектральные и текстурные признаки. В работе выбраны два признака – яркость и норма ее градиента.
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).