Главная > Методы обработки сигналов и полей (5-й выпуск)
<< Предыдущий параграф Следующий параграф >>
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

УДК 621.391

Г.Л.Гимелъфарб, А.В.Залесный

 

ГИББСОВСКИЕ СЛУЧАЙНЫЕ ПОЛЯ КАК ВЕРОЯТНОСТНЫЕ МОДЕЛИ ИЗОБРАЖЕНИЙ НА НИЖНЕМ УРОВНЕ ВЫЧИСЛИТЕЛЬНОГО ЗРЕНИЯ

 

1. Байесовская обработка растровых изображений

В современных системах вычислительного (компьютерного) зрения чаще всего используются растровые приёмники изображения, например, телевизионные камеры, оптико-механические сканирующие приборы и др. Нижний уровень обработки таких исходных данных составляют операции, преобразующие одно растровое изображение в другое, которое в общем случае может отличаться размерами растра и физической трактовкой значений сигналов в его элементах. Чтобы формализовать и оптимизировать обработку нижнего уровня, необходимо выбрать количественные критерии, позволяющие оценить качество обработки, и иметь конструктивные математические модели сигналов, которые достаточно подробно описывают множества исходных и преобразованных изображений и внутреннюю структуру этих данных, т.е. характер взаимодействий сигналов по растру. Качество обработки каждого входного изображения зависит от числа ошибок (различий между требуемыми и полученными значениями сигналов) в элементах растра преобразованного изображения.

Многие подходы к обработке изображений сталкиваются с существенными трудностями и не обеспечивают приемлемого качества обработки в случае отсутствия непрерывности свойств сигналов на растре, характерных для большинства реальных изображений. Байесовских! подход не представляет здесь исключения [1,2]: для преодоления этих трудностей в нем должны использоваться вероятностные модели, в которых априори допускаются нарушения однородности взаимодействий сигналов по растру. Чтобы сократить многообразие возможных вариантов неоднородности сигналов, ограничимся кусочно-однородными изображениями, которые состоят из нескольких непересекающихся и не обязательно связанных участков растра. В пределах каждого участка постоянны значения определённых характеристик самих сигналов или процесса их порождения. Непрерывность свойств сигналов сохраняется в пределах каждого участка и нарушается при переходе с участка на участок. Такая кусочная однородность наблюдается (в том или ином приближении) на многих реальных снимках, получаемых при космических и воздушных съёмках земной поверхности, в системах медицинской и технической диагностики, в системах промышленного зрения и др. Байесовская обработка таких растровых изображений, учитывающая в явном виде возможные разрывы непрерывности свойств сигналов, может быть выполнена с использованием вероятностных моделей однородных марковских случайных полей (МСП) с гиббсовскими распределениями вероятностей (РВ). Гиббсовские PB, описывающие локальные взаимодействия сигналов в элементах растра, представляют собой эффективное и конструктивное средство задания МСП как вероятностных моделей изображений [3-15]

Пусть  обозначает конечную плоскую арифметическую решётку, или растр, на котором заданы изображения. Для простоты изложения ограничимся случаем, когда входные и выходные изображения представлены на одном и том же растре, и введём последовательную нумерацию элементов растра , где  - число элементов растра.

Обозначим и , соответственно, входное и выходное (преобразованное) изображение и будем рассматривать два основных множества  и  изображений  и , используемые на нижнем уровне обработки: 1) множество  черно-белых или многозональных цифровых снимков  со скалярным или векторным множеством  значений сигналов которые измеряются в метрической шкале и трактуются как яркости (удельные энергий светового излучения) в одной или нескольких спектральных зонах и 2) множество  цифровых карт участков  со скалярным множеством  значений сигналов.

На нижнем уровне вычислительного зрения наиболее распространены операции преобразования сигналов зашумленных кусочно-однородных снимков , направленные на улучшение их зрительного восприятия при визуализации, и операции сегментации зашумленных и текстурных кусочно-однородных снимков , позволяющие выделить однородные участки в плоскости снимка. Улучшение кусочно-однородных изображений тесно связано с сегментацией, поскольку может быть выполнено наиболее эффективно путем совместного преобразования сигналов каждого участка в отдельности.

При байесовской сегментации необходимо иметь априорные модели снимков  и карт участков , позволяющие вывести такое апостериорное  , для которого можно выполнить вычисления, необходимые для получения решения, например, найти глобальный максимум этого  или оценить маргинальные .

 

Categories

1
Оглавление
email@scask.ru