- •Методы обработки изображений в пространственной области.
- •1. Изменение контраста и яркости.
- •2. Видоизменение гистограмм яркостей
- •3. Обработка изображений с использованием методов фильтрации.
- •2. Алгоритмы цифровой обработки изображений реализованные в программном модуле «Обработка изображений» .
- •3.2.2. Описание алгоритмов инвертирования изображений, изменения контрастности и яркости, преобразования изображений с помощью равномерной эквализации гистограмм яркости.
- •3.2.2.2.Алгоритм получения негатива изображения.
- •3.2.2.3. Алгоритм изменения контрастности и яркости изображения.
- •3.2.3. Алгоритм двумерной пространственной фильтрации изображений.
- •Методы сегментации изображений
- •Метод сегментации на основе пороговой обработки
- •Метод сегментации на основе кластер-анализа
- •Вычислительные соотношения алгоритма кластер анализа
Метод сегментации на основе кластер-анализа
Данный метод является естественным обобщением метода пороговой обработки . Если в случае классической пороговой обработки речь идет о преобразовании полей числовых значений, то алгоритмы кластер-анализа позволяют осуществлять похожую операцию над векторными полями. Второй аспект состоит в использовании оптимальных статистических решающих правил при назначении той или иной точке изображения метки . Это немаловажное обстоятельство освобождает от необходимости подсчета конкретных значений порогов.
Задача сегментации, трактуемая как поиск кластеров в пространстве характеристических признаков, имеет следующую формальную постановку. Пусть - исходное сегментируемое (в общем случае векторное) случайное поле, аK – число областей сегментации. При этом каждой точке изображения (x,y) поставлен в соответствие вектор характеристических признаков
.
Обозначим через p(Z) плотность распределения вероятностей случайного поля. Предполагается, что p(Z) представляет собой конечную разделимую смесь распределений и определяется соотношением
,
где - числовые коэффициенты; -плотность распределения вероятностей j-й составляющей смеси.
Содержательно эти коэффициенты можно интерпретировать как априорную вероятность события {точка изображения принадлежит j-й области} и как закон распределения точек, принадлежащих j-й области изображения соответственно. Задача сводится к статистической оценке коэффициентов и функций по выборке
.
После получения оценок и разметка точек области может происходить по правилу: точка изображения ,имеющая вектор признаков ,получает метку ,если
.
Бытрый алгоритм кластер-анализа изображений
Пусть выборка представляет собой исходное группируемое множество данных. Элемент выборки -скалярная числовая характеристика j-й точки изображения. В силу эффекта квантования элементов во всех практических задачах исследователь имеет дело не с выборкой Z, а с выборкой квантованных значений
,
в которой каждый элемент принадлежит множеству
,
где L – число уровней квантования. Неизбежное квантование обрабатываемых на ЭВМ данных приводит к их агрегатированию так, что информация о Z сосредотачивается в двух множествах: Z* и N. При этом множество представляет собой гистограмму значений и -число элементов Z, равных .
Алгоритм основан на предположении, что группируемая выборка данных имеет плотность вероятностей:
где i - вектор параметров i-й составляющей смеси; =(1,...,k) - составной вектор параметров; Pi - нормировочные коэффициенты. При этом смесь предполагается смесью нормальных распределений, и отсюда:
Таким образом, процесс группировки состоит из этапа оценки векторного параметра и коэффициентов Pi и этапа разбиения выборки на группы с использованием байесовского решающего правила. Описание алгоритма на псевдокоде достаточно хорошо отражает структуру вычислений.
Входным множеством данных у алгоритма является двойка {Z*, N}. Кроме этого, перед началом работы устанавливают значения следующих параметров: K - число групп; i (0) - начальное значение математического ожидания элементов i-й группы; ni(0) - начальное значение количества элементов i-й группы; i(0) - начальное значение параметра, оценивающего “размер” i-й группы; i = 1,2,...,K.
Удобно задавать
Процедура оценки параметров проводит последовательную по l = 1,2,...,L обработку пар значений {zl*,Nl}.
Прокомментируем кратко осуществляемые операции алгоритма. Установка начальных значений параметров групп приводит к тому, что первые К элементов множества Z* формируют параметры групп по формулам, регламентируемым процедурой «Формирование группы j». Каждый последующий элемент из Z* либо относится в ближайшую группу, либо приводит к формированию новой группы. Важно отметить, что при l>K процессу формирования группы предшествует процесс слияния двух ближайших групп в одну (процедура «Объединение групп p и q»). Параметр i - «размер» группы - является эмпирическим, и его введение в процесс оценивания позволяет сделать алгоритм более помехоустойчивым. В случае, когда число групп заранее известно, выбор параметра К не вызывает затруднений. В противном случае важно задавать К «с запасом» так, чтобы выполнялось К>K*, где К* - истинное число групп в выборке .
Выполнение этого неравенства приведет к тому, что в процессе оценки параметров появятся и так называемые «ложные» группы с малыми значениями Pi. Это обстоятельство позволит на этапе классификации сохранить в целом правильное разбиение выборки Z.
Алгоритм сегментации на основе кластер-анализа на псевдокоде
begin
Инициализация
for i:=1 to L do
begin
if (NL=0) then goto lab1
lab2:
Вычислить rk(l)
Вычислить ri(l)
if (ei(l)>ri(l)) then
begin
Отнести ZL в группу i
goto lab1
end
else
begin
Поиск свободной группы
if (Найдена свободная группа j) then
begin
Формирование группы j
goto lab1
end
else
begin
Вычислить rpq(l)
if (rpq(l)>ri(l)) then
begin
Отнести ZL в группу i
Скорректировать ei
end
else
begin
Объединить группы p,q
goto lab2
end
end
end
lab1:
end.
Вычислить оценки Pi,Si