18.5.2. МНОГОМЕРНОЕ ПОРОГОВОЕ ОГРАНИЧЕНИЕ

Идею порогового ограничения по яркости можно распространить на сегментацию цветных и спектрозональных изображений. Олендер [46] "разработал схему сегментации для естественных цветных изображений, основанную на многомерном пороговом ограничении цветных изображений, представленных в системах координат цвета RGB, YIQ, а также в системе нестандартных цветовых координат, получивших неудачные названия интенсивность, цветовой тон и насыщенность. На рис. 18.5.4 дан пример гистограмм этих девяти цветовых координат для сцены, представляющей собой комнату с обстановкой для отдыха. Эти гистограммы были получены для тех частей исходной сцены, на которых отсутствует текстура. Важный предварительный этап сегментации текстурной части сцены, которая рассматривается в разд. 18.7, необходим для того, чтобы исключить ложную сегментацию областей с однородной текстурой на множество изолированных частей. Если не все гистограммы признаков унимодальны, то применяется рассчитанная специально на этот случай процедура определения наилучшего признака и наилучшего уровня, по которому выполняется пороговое ограничение этого признака. Первым кандидатом является интенсивность, позволяющая разделить изображения на черные и белые области. Следующий кандидат выбирается на основании приоритета, зависящего от уровня контраста и положения мод на гистограмме. После того как пороговый уровень определен, изображение разбивается на части. Затем процедура повторяется для каждой части до тех пор, пока получающиеся гистограммы признаков не станут унимодальными или сегментация не достигнет приемлемого для наблюдателя уровня разделения. Модельный эксперимент показал, что метод сегментации Олендера с использованием многомерного порогового ограничения в сочетании с различением текстур оказывается весьма эффективным. Однако большая часть управляющих операций при моделировании выполнялась человеком-оператором; для настройки параметров процедуры требуется человеческое суждение, основанное на визуальном анализе результатов пробных экспериментов с разными пороговыми значениями.

В методе сегментации Олендера предполагается, что девять признаков взаимосвязаны. Сигналы , ,  представляют собой линейную комбинацию сигналов , , , а сигналы интенсивности, цветового тона и насыщенности образуют нелинейные комбинации , , . Это замечание порождает несколько вопросов. Каковы наилучшие для сегментации типы линейных или нелинейных преобразований? Сколько значений признаков следует использовать? Что является наилучшей формой порогового ограничения? Возможно, ответы на эти вопросы появятся в процессе изучения методов кластерного анализа, используемого в задачах распознавания образов [11, 47-49].

Рис. 18.5.4. Типичные гистограммы признаков для сегментации цветных изображений [46].

На самом деле одномерные гистограммы признаков являются маргинальными гистограммами некоторой совместной многомерной гистограммы. Методы кластерного анализа позволяют указать границы областей принятия решений в многомерном пространстве и использовать их при сегментации. Такой подход дает возможность наиболее полно использовать все признаки с учетом их взаимной корреляции. Можно также применить метод линейного дискриминантного анализа Фишера [11, стр. 114], чтобы одновременно спроектировать все значения признаков на прямую и воспользоваться группировкой спроектированных данных для выполнения одномерного порогового ограничения.