
- •«Обработка изображений и распознавание образов» Визильтер Юрий Валентинович Методическое пособие-2010
- •Раздел 2. Распознавание образов. 184
- •Уровни и методы машинного зрения
- •Растровое изображение Изображение как двумерный массив данных
- •Алгебраические операции над изображениями
- •Физическая природа изображений
- •Изображения различных диапазонов длин волн
- •Изображения различной физической природы
- •Тип пикселя
- •Возможности и особенности системы Pisoft
- •Базовые средства просмотра и анализа изображений и видеопоследовательностей
- •Алгебра изображений
- •Геометрические преобразования изображений
- •Устройства оцифровки и ввода изображений
- •Линейки и матрицы, сканеры и камеры
- •Геометрия изображения
- •Цифровые и аналоговые устройства
- •Пространственное разрешение
- •Программное обеспечение
- •Обработка цветных изображений
- •Цветовая модель rgb
- •Цветовая модель hsv
- •Цветовая модель yuv
- •Цветовая сегментация изображения
- •Гистограмма и гистограммная обработка изображений
- •Профиль вдоль линии и анализ профиля
- •Проекция и анализ проекции
- •Бинаризация полутоновых изображений
- •Сегментация многомодальных изображений
- •Выделение и описание областей
- •Выделение связных областей на бинарных изображениях
- •1. Отслеживающие алгоритмы на примере алгоритма обхода контура.
- •2. Сканируюющие алгоритмы.
- •Оконная фильтрация изображений в пространственной области
- •Фильтрация бинарных изображений Модель шума «соль и перец»
- •Структура оконного фильтра
- •Логическая фильтрация помех
- •Бинарная медианная фильтрация
- •Бинарная ранговая фильтрация
- •Взвешенные ранговые фильтры
- •Анизотропная фильтрация
- •Расширение-сжатие (простая морфология)
- •Стирание бахромы
- •Нелинейная фильтрация полутоновых изображений
- •Ранговая оконная фильтрация
- •Минимаксная фильтрация
- •Задача выделения объектов интереса
- •Бинарные фильтры для выделения объектов
- •Метод нормализации фона
- •Скользящее среднее в окне
- •Гауссовская фильтрация
- •Преобразование Фурье. Линейная фильтрация в частотной области
- •Преобразование Фурье
- •Комплексное представление преобразования Фурье
- •Быстрое преобразование Фурье
- •Двумерное преобразование Фурье
- •Свертка с использованием преобразования Фурье
- •Фильтрация изображений в частотной области
- •Вейвлет-анализ
- •Пирамида изображений
- •Вейвлет-преобразование
- •Операторы вычисления производных
- •Операторы вычисления векторов градиентов
- •Операторы Марра и Лапласа
- •Постобработка контурного изображения Локализация края
- •Утончение контура
- •Сегментация полутоновых изображений
- •Пороговая и мультипороговая сегментация
- •Методы слияния, разбиения и слияния/разбиения областей
- •Способы описания выделенных областей
- •Текстурные признаки
- •1.6. Морфологические методы анализа сцен (по ю.П. Пытьеву) Методы обнаружения объектов, заданных эталонами
- •Согласованная фильтрация.
- •Корреляционное обнаружение.
- •Морфологический подход ю.П. Пытьева.
- •Форма изображения как инвариант преобразований изображений, отвечающих вариациям условий регистрации
- •Сравнение изображений по форме
- •Выделение отличий изображений по форме
- •Обнаружение объекта по его изображению и оценка его координат
- •*Морфология на базе кусочно-линейной интерполяции
- •Преобразование Хафа для поиска прямых
- •*Различные способы параметризации прямых
- •Преобразование Хафа для поиска окружностей
- •Анализ аккумулятора при поиске геометрических примитивов
- •Обобщенное преобразование Хафа
- •*Специализированная процедура голосования для поиска эллипсов
- •*Рекуррентное преобразование Хафа в скользящем окне
- •1.8. Математическая морфология (по ж. Серра)
- •Морфологические операции на бинарных изображениях
- •Морфологические операции на полутоновых изображениях
- •Морфологическое выделение «черт» и объектов
- •Морфологический спектр
- •Морфологические скелеты. Непрерывная бинарная морфология Непрерывная бинарная морфология
- •Непрерывное гранично-скелетное представление изображения
- •Обработка и использование скелета
- •*Обобщенные скелетные представления бинарных фигур
- •Алгоритмы утончения дискретного бинарного изображения
- •*Регуляризация скелетов
- •Типы нерегулярностей скелета
- •Устранение нерегулярностей
- •Регуляризация скелета по Тихонову
- •*Селективные морфологии
- •Метод оптических потоков
- •Дифференциальный подход
- •Корреляционный подход
- •Частотный подход
- •Корреляционное слежение.
- •Форматы хранения и передачи цифровых изображений
- •Методы сжатия цифровых изображений
- •Формат bmp
- •Формат pcx
- •Формат gif
- •Формат tiff
- •Формат jpeg
- •Форматы хранения и передачи цифровых видеопоследовательностей
- •Формат avi
- •Формат mpeg
- •Форматы mpeg 1 и mpeg 2
- •Формат mpeg 4
- •Форматы mpeg 7
- •Раздел 2. Распознавание образов.
- •Обучение с учителем. Детерминированные методы, основанные на «близости». Линейные решающие правила. Метод построения эталонов. Метод ближайшего соседа. Метод k ближайших соседей.
- •Линейные решающие правила
- •Метод построения эталонов
- •Методы ближайших соседей
- •Параметрические и непараметрические методы
- •Дискриминантные и моделирующие методы обучения
- •Способность распознавателя к обобщению. Регуляризация.
- •Байесовская теория решений. Случай двух классов. Классификаторы, разделяющие функции и поверхности решений. Вероятности ошибок. Разделяющие функции для случая нормальной плотности.
- •Дискриминантный анализ. Линейный дискриминант Фишера. Персептронная функция критерия. Линейный дискриминантный анализ (lda, дискриминант Фишера)
- •Персептрон Розенблатта
- •Байесовское объединение свидетельств
- •Структурное распознавание
- •Автоматизированное конструирование алгоритмов обнаружения объектов на основе преобразований модельных описаний объектов.
- •Нейросетевое распознавание
- •Нейронные сети ассоциативной памяти. Сети Хопфилда.
- •Многослойные персептроны. Оптимизационное обучение. Метод обратного распространения ошибки.
- •Многослойные персептроны. Правило Хебба.
- •*Связь с байесовским распознаванием
- •Сети встречного распространения. Самоорганизующиеся сети.
Фильтрация бинарных изображений Модель шума «соль и перец»
Выше мы уже говорили о том, что для бинарных изображений наиболее удобной и соответствующей природе изображения является модель шума замещения типа «соль и перец». Под шумом Salt-and-Pepper (соль и перец) на бинарном изображении понимают замещение 1 на 0 с вероятностью (1–p) и замещение 0 на 1 c вероятностью (1–q). Таблица 3.2.1 переходных вероятностей для такого бинарного шума имеет вид:
@Таблица 3.2.1. Переходные вероятности для бинарного шума «соль и перец»
Im[x,y]Im’[x,y] |
Im’[x,y]=1 |
Im’[x,y]=0 |
Im[x,y]=1 |
P |
(1–p) |
Im[x,y]=0 |
(1–q) |
q |
На рис. 3.2.10 – 3.2.16 показаны примеры искусственного зашумления исходного бинарного изображения лейкоцитов (рис. 3.2.9) специально сгенерированным шумом «соль и перец». Как видно, чем больше параметры зашумления (1–p) и (1–q), тем более искаженным выглядит изображение. При больших вероятностях замещения человеческий глаз уже с трудом различает общие очертания объектов изображения (рис. 3.2.15, 3.2.16).
@Рис. 3.2.9. Исходное изображение, = 0 @Рис. 3.2.10. Зашумление бинарного изображения шумом «соль и перец»,
= 20
@Рис. 3.2.11. Зашумление бинарного @Рис. 3.2.12. Зашумление бинарного
изображения шумом «соль и перец», изображения шумом «соль и перец»,
= 40 = 60
@Рис. 3.2.13. Зашумление бинарного @Рис. 3.2.14. Зашумление бинарного
изображения шумом «соль и перец», изображения шумом «соль и перец»,
= 80 = 100
@Рис. 3.2.15. Зашумление бинарного @Рис. 3.2.16. Зашумление бинарного
изображения шумом «соль и перец», изображения шумом «соль и перец»,
= 200 = 300
Структура оконного фильтра
Введем ряд определений, позволяющих формально описать процедуру оконной фильтрации бинарного изображения.
Входное
изображение – массив
элементов
каждый из которых соответствует некоторой
точке (пикселю) изображения и принимает
значения
.
Выходное
изображение – массив
элементов
каждый из которых соответствует некоторой
точке (пикселю) изображения и принимает
значения
.
ППР – правило принятия решения – правило, по которому принимается решение о значении элемента выходного изображения .
Апертура или Окрестность точки (пикселя) – множество пикселей изображения расположенное некоторым образом относительно базового пикселя.
Базовым
называется пиксель, для которого
применяется ППР. Положение апертуры на
изображении определяется координатами
базового пикселя апертуры. Базовый
пиксель может находиться и не в
геометрическом центре апертуры. Апертура
определяется как массив
элементов
,
каждый из которых соответствует точке
(пикселю) апретуры и принимает значения
.
Также, при определении апертуры,
указываются координаты базового пикселя
апертуры (горизонтальная координата
;
вертикальная координата
)
относительно элемента апертуры с
координатами
(левый верхний угол массива
).
Значение элемента апертуры равное
,
показывает, что данный пиксель не включён
в апертуру, равное
– что данный пиксель включён в апертуру.
Число
элементов или размер апертуры обозначается
,
.
Число
единиц обозначается
Число
нулей обозначается
Апертура
может иметь любую произвольную
конфигурацию, например
.
Рассмотрим теперь, используя введенную терминологию, различные методы оконной фильтрации бинарных изображений.