5.9. ФАКТОРЫ, ОГРАНИЧИВАЮЩИЕ ПРИМЕНИМОСТЬ МЕТОДОВ КОНТУРНОГО АНАЛИЗА

Достоинство методов контурного анализа в задачах обработки изображений и распознавания зрительных образов заключается в том, что эти задачи можно решать с теоретических позиций в условиях, когда влияние произвольных значений параметров положения, поворота и масштаба изображений не приводит к большому увеличению объема вычислений. В связи с этим целесообразно проанализировать границы применимости методов контурного анализа, рассмотрев, какие факторы и в какой степени затрудняют их использование.

Сложность процедуры выделения контуров (краев) изображений

Задача выделения контуров (краев) многоградационного изображения на многоградационном фоне эквивалентна задаче обнаружения двухмерного сигнала на фоне шумов и других сигналов, играющих роль помех. Важность решения этой задачи не подлежит сомнению, поскольку при отсутствии линии контура нельзя применять методы контурного анализа.

Вопросам выделения контуров посвящена обширная литература (например, [1, 5, 50]). В обзорной статье ведущего американского специалиста в области обработки изображений и распознавания образов А. Розенфельда подчеркивается, что «до сих пор нет сколько-нибудь удовлетворительной модели краев областей оптимальных операторов обнаружения границ» [50, с. 78].

В настоящее время существенных сдвигов в этом направлении не произошло. Часто используемые на практике методы формирования статистик для принятия решения, базирующиеся на операторах Кирша, Собела, Робертса, Превитта и др., являются сугубо эвристическими и вопрос об оптимальном решении задачи выделения краев изображения остается открытым.

Таким образом, отсутствие адекватных сигналов и помех приводит к тому, что в общем случае неизвестны оптимальные решающие процедуры выделения контуров изображений. Данное положение вызвано значительно более сложной и

разнообразной по сравнению со случаями обработки одномерных сигналов структурой сигналов и помех.

Влияние нелинейного характера процедуры квантования линии контура

Инвариантность КСФ к преобразованиям переноса, поворота и изменения масштаба изображения наблюдается лишь для подобных преобразований уже оцифрованных изображений. Если же преобразованиям подвергается изображение до его ввода в систему обработки изображений, то вследствие нелинейного характера процедуры квантования линии в плоскости сетчатки, размерность получаемого ВК N оказывается случайной величиной. Данный фактор затрудняет процедуру контурной согласованной фильтрации, так как ВК Г, сформированный по эталонному изображению и задающий ИПХ фильтра, имеет неизменную размерность. Поэтому до фильтрации необходимо проводить операцию эквализации линии контура, в результате которой происходит выравнивание размерностей ВК N и Г (см. п. 4.10). Однако данная операция представляет собой повторное квантование линии контура, что приводит к дополнительному зашумлению сигнала.

Флуктуации амплитуд и фазы сигналов на входе датчиков изображения приводят, в конечном счете, к флуктуациям интенсивности сигналов, формирующих цифровое изображение в ОЗУИ. В результате полученные силуэтные изображения становятся многосвязными из-за образующихся полостей и разрывными, причем значительно искажается линия контура (края).

Разрушение односвязной структуры изображений вследствие указанных факторов, а также воздействие шумов и помех в области изображения приводят к тому, что вместо одного контура, описывающего форму исходного изображения, мы получаем систему контуров пятен случайной формы в пределах контура исходного изображения. Вследствие этого контурный анализ форм образовавшихся пятен не дает необходимой информации о классе изображения. В этом случае целесообразно переходить к пространственным методам обработки, например, к бинарной согласованной фильтрации или к выделению подозрительных областей по признаку наличия сгущений, и другим методам, изложенным в главе 3.

Влияние количества пикселей, содержащихся в изображении объекта

Данный фактор наряду с предыдущим оказывает наиболее существенное влияние на применимость методов контурного анализа. С уменьшением числа пикселей, составляющих распознаваемое изображение, падает отношение сигнал/шум квантования. Маскирующее влияние шумов квантования приводит к потере отдельных деталей изображения, т. е. к потере ряда информативных признаков в его контуре. Необходимое количество пикселей связано с шириной спектра контура и должно выбираться исходя из теоремы Котельникова. Однако в целом ряде случаев это количество определяется возможностями применяемых датчиков изображения.

В том случае, когда количество пикселей изображения меньше необходимого для неискаженной передачи формы объекта, распознавание возможно, однако даже при отсутствии шумов и помех его качество становится функцией количества распознаваемых классов. При заданном алфавите классов на вид принятого при распознавании решения будут влиять информативные для каждого класса признаки, т. е. такие признаки, которые хорошо выражены в изображениях данного класса и слабо выражены или отсутствуют в изображениях остальных классов. При этом в контурах изображений рассматриваемого алфавита классов могут присутствовать характерные фрагменты, которые сохраняются даже при незначительном количестве пикселей, составляющих изображение. Однако они не могут повлиять на результат решения задачи распознавания, если являются общими для изображений всех классов.

Влияние внутренней структуры изображений

Методы контурного анализа обеспечивают принятие решения о классе изображения по его форме, задаваемой контуром изображения. Если же информативные признаки связаны с внутренней структурой изображения, то применение этих методов становится нецелесообразным, т. к. форма изображения становится малоинформативной. Как показывают экспериментальные исследования по распознаванию таких изображений, при условии одинаковой информативности ЭВ, задающих его контур и внутреннюю структуру, приемлемые для практики результаты получаются до тех пор, пока длины контуров внутренних областей изображений не превышают 30-40% от длины контура.

В заключение наметим некоторые пути решения задач обработки изображений и распознавания образов в условиях, когда непосредственное применение методов контурного анализа затруднено.

Вредное влияние флуктуаций может быть снижено за счет процедур накопления изображений. Снижение одного из наиболее сильно влияющих помеховых факторов — шума зернистости в изображениях, получаемых в когерентном свете, достигается путем усреднения нескольких независимых изображений одного и того же участка поверхности. Рост эффективности от накопления наблюдается при этом до тех пор, пока число накапливаемых изображений не превысит [94].

Другим подходом, позволяющим устранить возникающую вследствие флуктуаций сигнала многосвязность изображения, является пространственная фильтрация скользящего среднего. Однако ее реализация для всех точек сцены связана с большими временными затратами и, кроме того, результирующее изображение имеет большие размеры, чем исходное. Следствием этого будет подавление изображений малоразмерных объектов. Лучшие результаты обеспечиваются использованием логических процедур типа « k из » в разных по яркости срезах изображения (см. п. 3.4).

Улучшение формы сильно зашумленных контуров, в том числе шумами квантования, достигается в результате операции накопления контуров (см. п. 5.2).

В условиях, когда линия контура многоградационного изображения имеет переменную интенсивность или когда фон характеризуется ощутимой в пределах изображения вариацией средней интенсивности, решение задачи обнаружения контурных точек и прослеживание линии контура с последующим формированием его комплекснозначного кода может быть достигнуто при подходе к линии контура как к траектории определенной точки. В данном случае становится возможным применение методов траекторией обработки [33].

При наличии априорной информации о форме изображения появляется возможность на каждом шаге прослеживания рассчитывать положение прогнозированной контурной точки и учитывать эту информацию при вынесении решения о положении обнаруженной точки.