5.4. Сегментация изображений
Изображение желательно разбить на области, каждая из которых соответствовала бы поверхности отдельного объекта наблюдаемой сцены. Последующую обработку можно осуществить независимо над каждой областью изображения. До сих пор мы рассматривали весьма простой случай, когда объекты и фон обладают равномерной яркостью. Теперь мы распространим эти методы на случаи, в которых каждый объект имеет яркость, отличную от яркостей других объектов.
Если нам известен средний уровень яркости каждого объекта, то
нетрудно выбрать пороговые значения, заключенные между этими уровнями, что позволит нам классифицировать любой элемент изображения. Однако сразу же возникают новые проблемы. Предположим, что область А примыкает к области С. Как было показано выше, уровни яркости на их общей границе будут лежать между уровнями, относящимися к Этим областям. Если в другом месте изображения расположена область В, уровень яркости которой лежит между уровнями яркости областей А и С, то часть точек границы будет классифицирована неправильно, как относящаяся к В. Этого можно избежать, если прибегнуть не к полутоновым, а к иным характеристикам изображения. Например, интересующие нас точки скорее всего образуют не широкую область в виде пятна, а изрезанную полосу с зазубренными краями. Если мы предположим, что все области обладают некоторой минимальной шириной, то нетрудно заменить ошибочно присвоенные метки. Можно также использовать тот факт, что эти неверно классифицированные точки примыкают к обеим областям и А, и С.
Иногда требуемые пороговые уровни определяют путем анализа гистограммы. Однако часто гистограмма оказывается слишком изрезанной, поскольку лишь незначительное число точек непосредственно образуют каждый отдельный всплеск и, кроме того, эти всплески перекрываются значительно сильнее, чем в случае одного объекта и однородного фона.
Упоминавшиеся ранее проблемы шума здесь еще более серьезны. Если имеется несколько областей, то минимальная разница между их уровнями не может быть очень большой. Она должна быть малой по отношению к общему диапазону изменения уровней. Если N — общий диапазон, a R - число областей, то минимальная разность уровней должна быть меньшей или равной N/(R - 1). В итоге вероятность неправильной классификации заметно возрастает. Данную проблему можно несколько смягчить, если учесть пространственную взаимосвязь объектов.
