Сегментация полутоновых изображений

Целью сегментации изображения в «широком смысле» является разбиение изображения на семантические области, которые имеют строгую корреляцию с объектами или областями наблюдаемой трехмерной сцены. В более узком смысле под сегментацией полутонового изображения понимают задачу разбиения плоскости кадра на ряд связных непересекающихся областей, каждая из которых обладает некоторой внутренней однородностью того или иного вида (например, однородной яркостью пикселов).

Дадим формальное определение.

Пусть вся область кадра обозначается как R. Тогдасегментацией изображенияназывается процесс разбиенияRна такую совокупность связных областей {R_i},i=1..n, что для них выполняются следующие основные условия:

(а) R = U R_i, i = 1..n

(б) R_i ∩ R_j = , i ≠ j

(в) Pred(R_i) = TRUE, i=1..n

(г) Pred(R_i  R_j) = FALSE, i ≠ j (4.1.5)

где Pred(R) – булевский предикат однородности области в некотором заданном смысле.

Первое условие данного выражения утверждает, что области разбиения целиком покрывают кадр изображения. Второе условие описывает тот факт, что области разбиения попарно не пересекаются. Третье условие требует, чтобы каждая область разбиения была однородной областью изображения в заданном смысле (например, в смысле максимально допустимой разницы значений яркости составляющих ее пикселов). Наконец, четвертое условие требует, чтобы попарное объединение любых двух областей данного разбиения не удовлетворяло тому же условию однородности. В самом деле, если объединение областей также является однородной областью, то эти две области на самом деле являются единой областью, что и следует отразить в разбиении.

Рассмотрим теперь основные методы сегментации изображений, используемые в современном машинном зрении.

Пороговая и мультипороговая сегментация

Пороговая сегментация изображения по уровням яркости – простейший вид сегментации изображения. Этот метод основан на том, что многие объекты или области изображения характеризуются постоянной отражательной способностью или поглощением света на их поверхности. Отличительной чертой пороговой сегментации является вычислительная эффективность и возможность использования в системах реального масштаба времени.

Пороговая сегментация выполняется следующим образом:

g(i,j) = 1, для f(i,j) >= T,

g(i,j) = 0, для f(i,j) < T,

где g(i,j) – элемент результирующего бинарного изображения, f(i,j) – элемент исходного изображения.

Успех пороговой сегментации зависит от способа выбора порога. В главе 3.1 мы рассматривали методы адаптивного выбора порога как функции глобальной или локальной гистограммы изображения.

Существуют следующие основные виды пороговой сегментации.

Диапазоннаяпороговая сегментация.

Сегмент изображения с уровнями яркостей из заданного диапазона D считается «областью», или «фоном» в противном случае:

g(i,j) = 1, для f(i,j)D,

g(i,j) = 0, в противном случае.

Мультипороговая сегментация.

Используется в том случае, если исходное изображение обладает не бимодальной, а мультимодальной гистограммой. В этом случае результирующее изображение не является бинарным:

g(i,j) = 1, для f(i,j)D₁,

g(i,j) = 2, для f(i,j)D₂,

g(i,j) = 3, для f(i,j)D₃,

…………………………

g(i,j) = n, для f(i,j)D_n,

g(i,j) = 0, в противном случае.

На рис. 4.1.20 – 4.1.23 приводятся примеры такой сегментации.

@Рис. 4.1.20. Исходное изображение @Рис. 4.1.21. Адаптивная мультипороговая сегментация изображения по гистограмме (три диапазона яркости)

@Рис. 4.1.22. Исходное изображение @Рис. 4.1.23. Адаптивная мультипороговая сегментация изображения по гистограмме (пять диапазонов яркости)