Порядок выполнения работы

1. Ознакомится с теоретической частью. Получить вариант задания (изображения);

2. Составить блок-схемы алгоритмов;

3. Написать и отладить программу в соответствии с (1);

4. Проверить работоспособность программы при k = 0,5; 1,3; 2  = 45⁰; 90⁰; 120⁰;

5. c, f = 10; 20; 50;

6. Полученные изображения представить преподавателю;

7. Оформить отчет;

8. Ответить на теоретические вопросы, сдать работу.

Часть 2. Сегментация изображений

Если необходимо выделить объекты изображений, имеющие некоторые характерные признаки, то данная проблема решается с помощью процедуры, называемой сегментацией.

Существуют различные методы сегментации. В частности, при сегментации, основанной на разделении по яркостному порогу, используются значения интенсивности (зачерненности) каждого элемента.

Один из наиболее простых методов сегментации по яркости состоит в равномерном разбиении всего диапазона яркости на отдельные интервалы (уровни). При попадании яркости выбранного пикселя в некоторый интервал ему присваивается яркость, соответствующая данному интервалу.

Сегментация может реализовываться на основе выделения контуров отдельных компонент (метод обнаружения края), т.е. границ фрагментов изображений. Определение границы осуществляется путем вычисление производной функции интенсивности (реализации пространственного дифференцирования), высокочастотной фильтрации, статистическими методами или с помощью специальных процедур.

Ложные края или утраченные части краев могут быть обнаружены с использованием априорной информации. Очевидно, что если тип объекта определен, то края изображения объекта могут быть восстановлены (рис.1).

Рис.1

Таким образом, в некоторых случаях процесс сегментации включается в цикл последующих этапов обработки изображений.

Сегментация, может основываться на последовательном разделении изображения на области. При этом изображение вначале разбивается на простейшие области, образованные элементами с одинаковыми уровнями интенсивности. Затем соседние области объединяются с учетом интенсивностей вдоль общей границы и ее относительной длины. При объединении может использоваться априорная информация.

Дальнейшая обработка изображений состоит в преобразовании полученных сегментированных изображений.

В частности, выделенные и закодированные контура позволяют получить значения ряда признаков компонент изображений: площадь, ограниченную контуром, длину контура, локальные выпуклости и вогнутости, углы и т.д.

Бинарные изображения

При сегментации изображений на 2 уровня яркости получают бинарные изображения.

К преимуществам их использования можно отнести относительную простоту получения, обработки и хранения.

Можно выделить два этапа получения бинарных изображений:

1. Выделение объектов и фона;

2. Раскраска изображения.

Если объекты, размещенные на полутоновом изображении, значительно темнее или светлее фона, то их легко выделить.

Например, для бинаризации назначим некоторый порог яркости Во. Точки исходного изображения, имеющие яркость выше порога, на выходном изображении будут принимать значения яркости равные единице, а остальные – нулю.

Bij = 1 при Bij > Bo,

Bij =0 при Bij Во.

Полученное изображение будет бинарным.

Площадь объектов на этом изображении равна общему количеству единиц.

Если на изображении находится один объект, можно найти координаты объекта, принимая за его геометрический центр – «центр масс» полученной фигуры

по оси i

i_o = ,

по оси j

j_o = ,

где M – количество пикселов в объекте (площадь объекта); Ni, Nj – размеры изображения.

Если объект более вытянут относительно какой-либо оси, то его ориентацию можно определить с помощью моментов второго порядка.

Значение порога, в частности, может выбираться на основе анализа гистограммы яркости.

В методе Оцу, для определения порога Bп, вычисляется критерий

k_п (Bп)= 1 – [D(B_min, Bп) + D(Bп+1, B_max)] / D(B_min, B_max),

где B_min, B_max – минимальная и максимальная яркости элементов изображения соответственно, D(.) – дисперсия яркости.

Идея метода, основанная на оценке бимодальности гистограммы, состоит в том, исходная гистограмма (всего изображения или отдельных фрагментов) разбивается на две области (по оси яркости): до яркостного порога Bп и выше, в которых рассчитываются значения дисперсий.

Изменяя Bп от B_min до B_max, получим множество значений k_п (Bп), лежащих в интервале [0,1].

Оптимальный порог определяется как

Bпо = argmax k_п (Bп) при Bп [B_min до B_max]

и соответствует случаю, когда сумма дисперсий [D(B_min, Bп) + D(Bп+1, B_max)] – минимальна.

Подобный подход может применяться и при многоуровневой сегментации изображений, гистограмма которых имеет больше двух выраженных пиков (мод).