Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
7.2. Сегментация изображений на основе марковской фильтрацииПрименение статистических методов фильтрации для сегментации изображений позволяет избавиться от основного недостатка простой пороговой обработки — ее одноточечного характера. Устоявшегося, безусловно предпочтительного метода сегментации на основе фильтрации в настоящее время не существует. Поэтому в данном и в следующем разделах будут рассмотрены два подхода, представляющихся наиболее перспективными для решения обсуждаемой задачи. Следует отметить, что теоретическая основа этих подходов значительно глубже, чем теория пороговой обработки. В пределах настоящего пособия будет дано лишь качественное изложение теории. При желании необходимые детали и доказательства могут быть найдены в публикациях.
Рассмотрим марковскую сегментацию, основанную на использовании неполных данных, которая по своей теоретической сути очень близка к марковской фильтрации изображений, рассмотренной в разделе 3.5 настоящего пособия. Статистическая сегментация, как и фильтрация, предполагает принятие решения вкаждом точке кадра на основеанализа исходного изображенияв некоторой окрестности этойточки. В зависимости от характера этой окрестности сегментация может быть каузальной, полукаузальной и некаузальной. Здесьрассмотрим разновидность некаузальной сегментации, использующей лишь данные строки и столбца, на пересечении которых располагается текущая точка кадра, что иллюстрируется(рис. 7.3).
Рис.7.3.Геометрия используемых данных при сегментации Напомним, что некаузальность в этом
случае предполагает использование наблюдаемые данных всех четырех лучей Статистические методы всегда опираются на использование тех или иных математических моделей изображения. Ограничимся для простоты и здесь задачей бинарной сегментации. Рассмотрим случай, когда классы однородности отличаются друг от друга видом своих корреляционных функций, имея одинаковые средние яркости и дисперсии флюктуаций. На изображении (см., например, приводимый на рис. 7.4, а) участки разных классов различаются характером рисунка, размером деталей, величиной квазипериода. Такого рода различия относят к числу текстурных. Заметим, что понятие текстуры, достаточно широко применяемое в цифровой обработке изображений, до сих пор не имеет общепринятого определения, Многие определения ориентированы на присутствие повторяемости — строгой или приблизительной — элементов картины. Авторы [7.5] под текстурой понимают ''описание пространственной упорядоченности элементов изображения в пределах некоторого участка изображения". Очевидна непригодность пороговой обработки для сегментации в рассматриваемом случае текстурных различий классов. Будем считать, что в пределах отдельного участка однородности изображение описывается случайным молем с гауссовским распределением и биэкспоненциальной корреляционной функцией:
где
где индекс Для того чтобы можно было применять
описываемую ниже марковскую сегментацию, информационное поле
Ее элемент Обозначим
позволяющим компактно выразить
совместное распределение вероятностей
где Удобство (7.16) состоит в том, что
вычисление АРВ Марковский характер случайных полей,
описывающих изображение, приводит к еще одному важному достоинству вычислительных
процедур, реализующих (7.16) — рекуррентности алгоритмов вычисления частных АРВ
В качестве примера приведем без вывода
рекуррентные уравнения для каузальной АРВ, т.е. описывающие процесс получения
распределений на лучах
В выражении (7.17)
в котором параметр Одноточечное АРВ
в которой
не зависит в данном случае от этого информационного поля, что обусловлено специфическим характеромвоздействия информационного поля на наблюдаемый сигнал. Следовательно, знаменатель в (7.16) совпадает с априорным распределением классов однородности изображения, а это исключает необходимость его вычислений в процессе сегментации. Отметим, что вычисления на лучах Читателя, желающего познакомиться с деталями выводов и доказательств, опущенных в данном изложении марковской сегментации, отсылаем к первоисточнику [7.2]. Приведем иллюстрации, демонстрирующие
применение описанного метода. На рис. 7.4,а показано исходное
текстурное изображение, на котором присутствуют области двух классов. Энергетические
характеристики классов – средние яркости и дисперсии - одинаковы, коэффициент
одношаговой корреляции Подчеркнем еще раз, что пороговая обработка в условиях текстурной сегментации абсолютно лишена смысла.
а
б Рис.7.4.Марковская сегментация текстурного изображения
|
1 |
Оглавление
|