- •Глава 3
- •3.1. Задача описания
- •3. 1.1. Содержательная
- •3.1.2. Общие подходы
- •3.2. Методы и алгоритмы
- •3.2.1. Категории признаков.
- •3.2.2. Методы и алгоритмы
- •Сканирующий алгоритм определения связности
- •3.2.2. Методы и алгоритмы
- •Методы и алгоритмы подсчета признаков
- •Алгоритм подсчета метрических признаков на пирамидах
- •Сканирующий алгоритм вычисления метрических признаков
- •3.3. Методы вычисления
- •3.4. Структурные методы
- •3. 4. 1. Структурные методы
- •Методы сегментации кривых
- •Алгоритм оценки кривизны дискретной кривой через кусочно-линейную аппроксимацию кривой
- •Алгоритм вычисления углов дискретной кривой через анализ поведения угла отклонения касательной к кривой
- •3. 4. 1. Синтез структурных
- •1) , 4) ,
- •2) , 5) ,
- •3) , 6) ,
- •Алгоритм построения «дерева полосок»
- •3. 4. 3. Структурные методы
- •Построение реляционные дескриптивных структур на основе разбиения области
- •Алгоритм разбиения многоугольника на выпуклые составляющие
- •Алгоритм построения дерева вогнутостей
- •Алгоритм прослеживания границ для построения дерева связности
- •Построение реляционных дескриптивных структур на основе декомпозиции области через покрытие
3.3. Методы вычисления
ПАРАМЕТРИЧЕСКИХ ОПИСАНИЙ
ГРАНИЦ ОБЛАСТЕЙ
Описание геометрических свойств области с помощью топологических и метрических признаков часто бывает недостаточным в том смысле, что объекты с существенно разными по форме границами областей характеризуются приблизительно одинаковыми значениями рассмотренных выше метрических признаков. Эту ситуацию иллюстрирует рис. 3.4, на котором показаны три объекта (XB1, XB2, XB3), имеющие существенно разную форму границ и достаточно близкие значения признаков размера, формы, местоположения и ориентации. Другими словами, ситуация на рис. 3.4 свидетельствует о недостаточности метрических и топологических признаков для построения описаний нужного уровня информативности и необходимости перехода к так называемым параметрическим описаниям границ областей. Проанализируем методы и алгоритмы вычисления таких описаний.
Для получения параметрических описаний границ используются три основных методических направления: цепное кодирование, функциональные параметрические описания, аппроксимационные описания границ.
Цепное кодирование является широко известным способом описания границы дискретного объекта. Цепным кодом Сс (кодом Фримэна) называют последовательность целых чисел от 0 до 7, задающих одно из семи дискретных направлений при переходе от одной граничной точки к следующей при выбранном направлении обхода границы (рис. 3.5). Граница при этом понимается как замкнутая цепочка в смысле восьми соседей. В случае, когда границу объекта понимают как замкнутую цепочку в смысле четырех соседей, для ее кодирования может использоваться так называемый «разрывный» цепной код Rc (см. рис. 3.5,б) [10]. Фактически цепной код Сс определяет угол как функцию длины дуги с учетом того, что диагональные отрезки в раз длиннее, чем вертикальные или горизонтальные. В этом смысле цепной код для замкнутых кривых (цепочек) представляет собой периодическую функцию с периодом NP. В зависимости от выбора начальной точки отсчета одна и та же кривая кодируется, вообще говоря, разными цепными кодами. Вот почему часто рассматривают нормализованный код, однозначно описывающий ту или иную дискретную цепочку. Нормализованный цепной код является таким, который минимизирует целое восьмеричное число, представляемое последовательностью цифр от 0 до 7. Для достижения инвариантности цепного кодирования по отношению к параметрической группе преобразований плоскости (параллельный перенос, вращение, изменение масштаба) рассматривают «производную» цепную кода — Сс'. «Производная» цепного кода есть число поворотов против часовой стрелки, которое нужно сделать от направления в одной точке до достижения направления в следующей точке, взятое по модулю 8. На рис. 3.6 показана инвариантность кода Сс' к вращению некоторой дискретной фигуры.
Цепное кодирование границ дискретных объектов обладает рядом полезных свойств. Цепной код можно рассматривать как эффективный для сжатия информации код по сравнению с покоординатным методом запоминания границы. Представление границы объекта в виде цепного кода дает достаточно простые алгоритмы определения его площади NS и периметра NP. Наконец, цепное кодирование обеспечивает возможность сравнивать форму двух дискретных кривых [17]. Для этой цели можно использовать цепную взаимнокорреляционную функцию
,
где DP = {dp1, dp2, ..., dpn}, DQ={dq1, dq2, ..., dqn} - дискретные цепочки на дискретной решетке DG'; n — длина цепочек; — косинус разности углов, соответствующих элементам dpi и dqi.
Благодаря названным полезным свойствам и простым вычислительным алгоритмам метод цепного кодирования для параметрического описания границ получил широкое распространение.
Функциональные параметрические описания используют для представления границ объектов следующие функциональные зависимости:
,
, (3.6)
,
,
где — относительное изменение расстояния от центра тяжести фигуры до граничной точки в зависимости от угла поворота радиуса-вектора и длины дуги s; — изменение угла поворота радиуса вектора r в зависимости от длины дуги s; – изменение угла наклона касательной () к оси абсцисс в зависимости от длины дуги s; — спектр Фурье от функции кривизны кривой k(s).
Первые две зависимости называют также контурами Фримэна, а третью зависимость — «пси-эс» кривой. На рис. 3.7 эти зависимости показаны для окружности и фигуры с более «сложной» формой границы. Регулярная форма границы круга делает значения r, , малоинформативными (см. рис. 3.7а); в то же время усложнение формы границы приводит к появлению определенных закономерностей функциональных кривых. Так, горизонтальные, приблизительно постоянные участки «пси-эс» кривой соответствуют пологим, гладким участкам границы объекта (участки с малой кривизной), а «скачки», резкие переходы — углу на границе либо точке перегиба. Кривая r(s) строится так, что в качестве точки отсчета (нулевого значения ) всегда берется положение максимального по длине радиус-вектора rmax, принимаемого за ось отсчета.
На рис. 3.8 показаны контуры Фримэна для прямоугольника, звезды и кленового листа. При этом верхний график соответствует функции (s), а нижний — функции r(s). Длины графиков соответствуют числу точек дискретизации границы описываемой фигуры. Эта дискретизация границ задает шаг по аргументам s и .
Здесь можно выявить также ряд закономерностей изменения формы границы и соответствующие изменения форм кривых r, . Кривая r, характеризуя относительную удаленность граничной точки фигуры от центра тяжести, имеет немонотонный характер, так что впадины кривой соответствуют вогнутостям (заливам) фигуры, а максимумы выпуклостям (полуостровам). Чем регулярнее форма фигуры, тем регулярнее кривая r (см. рис. 3.8,а). В отличие от кривой r кривая носит монотонный характер для большинства форм границ. Производная d (s)/ds непостоянна и больше там, где присутствуют впадины у r и вогнутости у границы; малые значения производной d(s)/ds соответствуют участкам выпуклостей формы фигуры. Нарушение монотонности кривой может произойти, когда форма фигуры будет допускать «обратный ход» луча, что имеет место, например, для сложных спиралевидных форм.
На рис. 3.9 показаны контуры Фримэна реальных хромосом. По-прежнему верхний график является кривой(s), a нижний — кривой r(s). Обращает на себя внимание ситуация на рис. 3.9,в, где иллюстрируемый объект представляет собой две хромосомы, наложенные друг на друга. Огибающая данную фигуру внешняя граница дает пример такой формы, когда нарушается монотонность кривой (s).
Спектр SFR() обеспечивает информацию о пространственных частотах «наполняющих», как правило, полигармонический сигнал k(s). Можно ожидать, что этот спектр будет очень «беден» для границы объекта ХВ1 (см. рис. 3.4), содержать небольшое число низкочастотных коэффициентов для границы объекта ХВ2 и иметь значительную по интенсивности высокочастотную составляющую для границы объекта ХВ3. Таким образом, чем сильнее изрезанность формы границы, тем «богаче» состав пространственных частот в спектре SFR(). Этот метод является достаточно точным, если использовать большое (несколько десятков или сотен) число спектральных коэффициентов, а также дает описания, инвариантные к размеру, переносу и вращению фигур [32, 41, 47].
Алгоритмическая реализация обсуждаемых методов приводит к разным по вычислительной сложности алгоритмам. Наиболее просто осуществляется подсчет функциональных зависимостей r(s) = f1(s), (s) = f2(s). Здесь достаточно, прослеживая граничные точки дискретного объекта, подсчитывать расстояние между последними и центром тяжести — точкой с координатами (i0, j0) либо угол между осью отсчета и текущим положением радиус-вектора. Подсчет зависимости = f3(s) требует привлечения алгоритмов нахождения приращения угла поворота радиус-вектораrи угла наклона касательной к граничной точке.
В основе этих алгоритмов могут лежать вычислительные соотношения для определения главных направлений участков граничной кривой, центрированных в анализируемых точках на границе объекта [14]. В случае, когда размеры дискретных объектов велики (величина NP достигает значений 100 и более), для подсчета функциональных зависимостей (3.6) можно использовать «прореживание» граничных точек, выбирая для анализа, например, каждую вторую, третью и т. д. точки. Этот процесс соответствует выбору нужного шага квантования аргументов s и .
Алгоритмическая реализация Фурье-дескриптора SFR() имеет ряд особенностей [17, 32]. Несмотря на то, что дискретный вариант функции k(s) можно подсчитать по соотношению, приведенному в приложении, эта функция неудобна для использования в нескольких отношениях. Для прямоугольника, например, эта функция тождественно равна нулю всюду, кроме четырех точек (вершин), где она принимает бесконечные значения, функция k(s) не определена также в точках, где граница резко меняет направление (угловые точки). Дискретный вариант этой функции km(ci), i = 1, ..., NP зависит от параметра т, оптимальное значение которого необходимо подбирать эмпирически. Вот почему вычисление SFR() рекомендуется осуществлять не для функции k(s), а для «пси-эс» кривой, являющейся параметрическим выражением формы границы. При этом нужно учитывать, что часто для применения алгоритма БПФ количество точек у «пси-эс» кривой должно быть степенью числа 2 [14]. В [47] предлагается вычислять спектр Фурье от комплексной последовательности , представляющей собой декартовы координаты граничных точек дискретного объекта. Отмечается, однако, что в этом случае возникают серьезные погрешности, связанные с эффектом дискретизации кривой.
Аппроксимационные описания дают аппроксимацию произвольной границы с помощью аналитической кривой с заданными свойствами непрерывности, гладкости и т. п. В качестве таких кривых, как правило, используют полиномы различных порядков (прямую, параболу, кубический полином). Точность аппроксимации оценивается некоторым числовым критерием в зависимости от используемого метода (метода наименьших квадратов, подбора линии по собственному вектору, метода В-сплайнов). Общая математическая постановка задачи построения аппроксимационного описания имеет следующий вид [14, 17]. Пусть граница области задана упорядоченным набором n точек с декартовыми координатами .
Пусть аппроксимирующий полином имеет порядок t и определяется выражением
. (3.7)
Пусть числовой критерии точности (качества) аппроксимации представляет собой функционал
. (3.8)
Необходимо найти значения параметров c0, c1, ..., ct при заданных {хi, уi}, i = l, 2, ..., п, доставляющие экстремальное значение функционалу (3.8). На практике наиболее распространены линейные и кусочно-линейные аппроксимации границ. В этом случае аппроксимирующий полином (3.7) превращается в аппроксимирующую прямую
.
Если используется метод наименьших квадратов, то критерий точности аппроксимации (3.7) принимает вид
. (3.9)
При сформулированных выше исходных данных задача допускает достаточно простое аналитическое решение [17]. Вводятся в рассмотрение следующие матрицы и векторы
.
Величина в точности равна критерию (3.9) и достигает минимального значения, если . При этом– так называемая псевдообратная матрица. Выполнив несложные вычисления, можно получить
,
, (3.10)
где .
В ряде случаев критерий вида (3.9) неоптимальный, так как его значение зависит от выбранной системы координат и ориентации аппроксимируемой границы в этой системе координат. Вот почему часто предпочтение отдают методу подбора прямой по собственному вектору [17]. Здесь в качестве критерия точности аппроксимации выступает сумма квадратов расстояний от граничных точек (хi, yi) до прямой. Известно, что этот критерий минимизируется прямой, проходящей через «центр тяжести» множества { хi, yi}, i = 1, ..., n, т.е. через, точку с координатами , и параллельно главному собственному вектору матрицы рассеяния этого множества.
Выше рассмотрены описания геометрических структур изображений с помощью признаков трех категорий: топологических, метрических и параметрических. Необходимо отметить что информативность получаемых здесь описаний возрастает при переходе от топологических признаков к метрическим и от метрических признаков к параметрическим описаниям границ.
В основе вычислений метрических признаков лежат фундаментальные понятия и определения дискретной геометрии, а также ряд аппроксимационных формул, приведенных в табл. 3.2. Часть этих признаков может быть вычислена непосредственно путем анализа поля изображения (признаки NS, NP, а, b, i0, j0), в то время как другие признаки являются функциями от первых либо вычисляются через вспомогательные параметры (моменты, собственные числа матрицы рассеяния и т. д.).
Описание границы цепным кодом (кодом Фримэна) удобно для эффективного в смысле затрат памяти запоминания границы дискретного объекта, а также для вычисления площади и периметра объекта и выполнения операции сравнения формы границ [17]. Функциональные параметрические описания дают в конечном счете числовые векторы, отражающие форму границы объекта. Эти векторы могут быть в дальнейшем использованы для определения сходства формы границ либо введением метрики в получающемся векторном пространстве, либо введением другой функции сходства. Аппроксимационные описания границ полезны для отображения формы границы средствами интерактивной машинной графики.