АЛГОРИТМЫ И ПРОЦЕДУРЫ ДЛЯ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

Предварительная обработка изображений

Методы обработки изображения в частотной и пространственной областях

При наблюдении за двумерным изображением любого трехмерного объекта (на мониторе, фотографии, картинке), создается впечатление, что все изображенные объекты находятся там именно в том состоянии, в каком они находятся в реальной жизни. Однако на самом деле мы видим только двумерное отображение, функцию распределения яркости и цвета на плоскости с декартовыми координатами х и у - f(x,y).

Если попытаться рассмотреть изображение более подробно, то станет заметно, что изображение не непрерывное, а состоит из отдельных цветных элементов, объединенных в матрицу. Каждый такой элемент матрицы принято называть «пиксель». У каждого пикселя имеется вертикальная и горизонтальная координата, задающая его место в пространстве матрицы. Яркость и цветность пикселя также не непрерывна, а имеет скалярный характер, принимая в каждый момент времени какое-либо целочисленное значение. Никакой другой информации цифровое изображение, в отличие от реального прообраза, не содержит.

Принимая данное обстоятельство, однако, надо понимать, что существует возможность получения дополнительных данных с использованием разнообразных процедур обработки и анализа изображения. Возможно использование как готового набора процедур, так и их самостоятельное получение. Для сложных задач в ряде случаев необходимо комбинировать процедуры.

При попытке программирования компьютера на решение задач, которые выглядят на первый взгляд достаточно простыми для человеческого зрения, исследователь сталкивается с неожиданными трудностями. Если человек легко распознает различные объекты, ориентируется в пространстве, то для машинного зрения до сих пор не существует универсального решения, позволяющего решать подобные задачи для более или менее широкого круга задач.

При этом глаз человека не выполняет никаких «сверхсложных» вычислений, он подобно светочувствительной матрице в фотоаппарате, формирует двумерное отображение пространства на сетчатке, где фоточувствительные клетки, так называемые «палочки» и «колбочки» преобразуют изображение в электрические импульсы. Дальше полученные нервные импульсы поступают на обработку в отделы мозга, где интерпретируются в понятные и доступные для дальнейшей обработки образы. Именно алгоритмы мозга позволяют человеку «понимать» полученное изображение.

Попытки восстановления зрения у слепых от рождения людей подтверждают вышесказанное. При замене хрусталика у таких людей не формируется полноценная способность к зрению, так у них не смогли сформироваться необходимые алгоритмы, хотя технически они уже были способны к использованию зрения.

Именно поэтому предварительная обработка изображений является одним из важнейших элементов системы распознавания образов. От качества предварительной обработки зависит качество результата всей поставленной задачи. Главной целью предварительной обработки является получение результата, подходящего для применения в конкретной области. При этом не важно, чтобы результат хорошо выглядел «на глаз», главное - это удобство его последующей обработки.

Существует большое количество разнообразных подходов в осуществлении предварительной обработки [88]. Все множество используемых методов можно разделить на методы обработки в частотной и пространственной областях [89]. Под пространственной областью понимается плоскость изображения с координатами [х,у]. Манипуляции производятся непосредственно с точками изображения. Возможно преобразование, как самих точек, так и массива точек в некоторой окрестности. Для работы с массивами точек используются маски определенного размера (так называемые «апертуры»). Операции с отдельными точками позволяют менять яркость изображения, бинаризировать, получать его негатив и т. д. Увеличение размера апертуры позволяет производить более нетривиальные преобразования. Преимуществом методов пространственной обработки является высокая скорость выполнения преобразований, недостатком - низкая эффективность и ограниченная функциональность.

Для обработки изображений в пространственной области наибольшее распространение получили методы:

  • - ранговые алгоритмы;
  • - разностные методы;
  • - гистограммные методы;
  • - метод локальных контрастов;
  • - спектральный метод анализа изображения.

К преимуществам методов обработки изображений в пространственной области несомненно относится возможность более быстрой обработки в масштабе реального времени, а к недостаткам - ограниченность функциональных возможностей и недостаточная эффективность. При более детальном рассмотрении существующих методов обработки изображений любым из методов всегда ставится вопрос выбора необходимых критериев качественной оценки преобразования. Несмотря на то, что способы обработки изображений достаточно развиты ив частотной области - они требуют значительных вычислительных затрат и в сиу данной причины для решения практических задач применяются реже.

Существующие, так называемые «ранговые», методы цифровой обработки изображений с точки зрения применения вычислительных средств можно условно разделить на две категории: структурированные и неструктурированные методы.

Структурированные методы - это методы, построенные на использовании больших вычислительных блоков, оперирующих векторами, а не отдельными элементами изображений. Математическая программа MATLAB позволяет использовать методы обработки изображений, оперирующие не только с отдельными векторами, но и с массивами отсчетов.

Неструктурированные методы - это те, которые нельзя представить в виде крупных стандартных блоков, чем применяемые для существующих вычислительных машин логические операции над отдельными элементами сигналов. Неструктурированные методы, чаще всего, возникают на начальной стадии поиска решений задач обработки изображений, и затем превращаются в структурированные методы.

Преимуществом подобных ранговых алгоритмов является то, что в отличие от методов линейной фильтрации, они не имеют пространственной инерционности, когда при использовании линейных фильтров влияние отдельных элементов изображения отражается на выходном изображении на расстоянии порядка размеров апертуры линейного фильтра. Это заметно например в размытии границ деталей в процессе сглаживания изображений, в искажении структуры элементов при их извлечении из фона и т. п.

Переупорядочивание данных в вариационный ряд приводит к отказу от использования пространственных связей между элементами изображений, что является принципиальным недостатком. Однако, одновременно это является не только недостатком, но и преимуществом, выражающемся в наличии свойств адаптивного характера. Ранговые алгоритмы применяются для всех процедур обработки изображений:

- стандартизации;

  • - сглаживания;
  • - детализации;
  • - извлечения объектов из фона;
  • - выделения границ;
  • - подсчет статистических характеристик
  • - нелинейное усиление высокочастотных составляющих.

Также ранговые алгоритмы применимы для задач диагностики статистических характеристик, стандартизации, измерения текстурных признаков. Наиболее показательным примеров применения ранговой обработки изображений является «медианная фильтрация».

Разностные методы применяются при необходимости подчеркивания границ телевизионного и фотографического изображения. Согласно проведенным психофизиологическим экспериментам изображения, обработанные подобным образом зачастую воспринимаются зрителями лучше, чем необработанные изображения.

Суть разностных методов заключается в сканировании изображения с использованием двух апертур различной разрешающей способности. Из двух массивов элементов изображений формируется итоговый массив путем вычисления среднеарифметического значения яркостей деталей скользящей апертуры изображений.

Возможны также и другие более сложные модификации локального усиления контуров.

Гистограммные методы применяются с целью повышения контраста изображений с использованием изменения гистограмм для поучения изображений с равномерным распределением яркости.

Выравнивание гистограммы состоит из следующих этапов:

  • - вычисление гистограммы распределения яркостей элементов изображения;
  • - построение нормированной кумулятивной гистограммы;
  • - формирование нового изображения.

Гистограммные преобразования можно применять как ко всему изображению в целом, так и к его отдельным участкам.

Метод локальных контрастов применяется в случае необходимости приведения изображения к более контрастному и информативному виду.

Сначала определяются локальные контрасты, а затем выполняется его нелинейное усиление с восстановлением исходной яркости.

Спектральный метод анализа изображения применяется к изображениям, представленным в виде синусоидальных функций.

Полезная составляющая сигнала представляет собой периодический процесс с законом, близким к гармоническому. Это и позволяет представить ее в виде синусоидальных функций.

Основная идея обработки изображения в частотной области заключается в вычислении свертки изображения, преобразованного в частотный сигнал с определенным фильтром. Подобный подход часто используется в задачах уменьшения шума на изображении и увеличении его контрастности. В спектре шума содержатся относительно более высокие пространственные частоты, поэтому даже простая операция усреднения может привести к значительному сокращению уровня шума. К этим методам относится сглаживающая частотная фильтрация, гомоморфная фильтрация, частотное увеличение резкости и т. д.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ   След >