Сегментация цветных изображений

изображений

Прикладные задачи, использующие сегментацию цветных изображений
Пороговые алгоритмы
Сегментация цветных изображений средствами

кластерного анализа

О.
Методы сегментации изображений: автоматическая сегментация
http://cgm.computergraphics.ru/content/view/147

Конушин В., Вежневец А.
Методы

сегментации изображений: интерактивная сегментация
http://cgm.computergraphics.ru/content/view/172

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М: Техносфера, 2005. – 1072с. стр. 493-498

Сегментация цветных изображений

2. Фисенко В.Т. , Фисенко Т.Ю. Компьютерная обработка и
распознавание изображений: учеб. пособие. - СПб: СПбГУ ИТМО, 2008. – 192 с. стр.155 - 164

(Color image segmentation)

из изображения одной или нескольких связных областей, удовлетворяющих критерию однородности,

который основывается на признаках, вычисляемых из значений нескольких цветовых компонентов.

Основные требования:
области должны быть однородны относительно значений цветовых компонент;
внутренние части областей не должны содержать большого количества пустот;
границы каждого сегмента должны быть пространственно точными.

Определение и основные требования

трех цветов R,G,B.
Найти: Оптимально сегментированное изображение

иметь (256)3=16 777 216 оттенков цвета
Анализ проблемы
Современные автоматические алгоритмы не

способны решать произвольные задачи сегментации с гарантированным результатом

идентификации его по цифровому фотопортрету

пожаров и площади наводнения, прогнозирование урожайности на основе анализа снимков,

полученных со спутника

в крови, опухолей и т.д. при медицинском обследовании человека

видеопотока

gm,n, bm,n – значения уровней (m, n)-ного пикселя сегментированного изображения;

Rm,n, Gm,n, Bm,n – значения уровней (m,n)-ного пикселя сегментируемого изображения;
R, G, B – значения уровней искомого цвета
P – пороговое значение.

Прямой разностный метод

изображения Y=ym,n полученного на предыдущем шаге

3. Фильтрация B с

целью удаления фрагментов размером, меньше заданного (на основе операции ММ-размыкание).

1 2 3
Исходное Результат Результат
Изображение эрозии, квадрат, 13*13 дилатации

изображение, полученное на предыдущем шаге; yR, yG, yB – матрицы

трех составляющих; . –поэлементное умножение матриц.

5. Индексация областей изображения путем анализа пикселей соответствующего бинарного изображения на 4-х связность

-> индексация ->

индексированного изображения;
– среднее значение пикселей трех цветовых компонент изображения k

–области ;

6. Заполнение пустот во внутренних областях сегментированного изображения:
преобразование изображения Ybs к бинарному;
применение морфологической операции закрытия;
поэлементное умножение бинарной матрицы на матрицы значений яркости красного, зеленого и синего цветов.

Идеально сегментированное

algorithm. Applied Statistics,1979, №28. P.100-108
Сегментация цветных изображений средствами кластерного

анализа

Сегментация - поиск кластеров, соответствующих однородным областям: каждому пикселю изображения ставится в соответствие вектор-признак и выполняется кластеризация в пространстве этих признаков, область формируется из пикселей, векторы-признаки которых вошли в соответствующий кластер.

Проблемы:
автоматический выбор количества кластеров k,
(для изображений k≈6);
выбор множества признаков.

красного, зеленого и синего цветов пикселя с координатами i,j (1

≤ i ≤ m, 1 ≤ j ≤ n);

DRij = max∆Rij/min∆Rij – отношение значений максимальной и минимальной разности яркостей красного цвета между пикселем i,j и его соседями в окрестности [3x3];

DGij = max∆Gij/min∆Gij – отношение значений максимальной и минимальной разности яркостей красного цвета между пикселем i,j и его соседями в окрестности [3x3];

DBij = max∆Bij/min∆Bij – отношение значений максимальной и минимальной разности яркостей красного цвета между пикселем i,j и его соседями в окрестности [3x3];

GradRij, GradGij, GradBij – значения градиента яркости пикселя вдоль каждой из трех цветовых осей.

образов)
где Vij=(Rij,Gij,Bij,GradRij,GradGij,GradBij,DRij,DGij,DBij) – образ пикселя.

S= {Vij, i=1,2,…m;j=1,2,…,n},
2. Задание

максимального количества кластеров Q

3. Случайный выбор Q образов (центров) из множества S:

Z1,Z2,…Zq,…,ZQ

4. Вычисление расстояний :

Dq ij=|Vij-Zq|

5. Отнесение образа к кластеру по правилу:

если Dq ij=min, то Vij Zq.

входящих кластер Zq.


– i –й образ

q – го кластера.

7. Контроль стабилизации кластерных центров:

если CZq(L)= CZq(L-1), кластеризация завершена,
иначе переход к п.4.,
где L – номер итерации.

5. Постобработка:
вычисление расстояний между центрами кластеров;
вычисление среднего значения расстояний Dm;
объединение кластеров если:

|D1-D2|

классов изображений
http://neuroface.narod.ru/files/mahfoudh_autoref.pdf
Талеб М.А. Комбинированные алгоритмы сегментации цветных изображений: Автореферат

дис. …канд. техн. наук: 05.13.01.

карт и др.
разработка методов распознавания объектов графических документов;
распознавание рукописного текста.

2.

Обработка снимков земной поверхности, медицинских фото и др.
Сложность исходной информации – отсутствие формализации
обработки таких изображений.
разработка эффективных по скорости и качеству методов предварительной обработки;
разработка методов совмещенной обработки различных типов изображений – снимков и карт;
разработка методов распознавания таких объектов.

и распознавания объектов окружающего мира в реальном масштабе времени;
обработка последовательностей

изображений движущихся объектов;
развитие методов обработки изображений трехмерных сцен.

Журавлев Ю. И. и др. Состояние и перспективы развития исследований в области обработки и распознавания видеоинформации (аналитический обзор)// Наука и образование: электронное научно-техническое издание// http://www.techno.edu.ru:16001/db/nauka_archive/text/rules.html

Science and Technology,
Boston on May 1997
7.161.561 экземпляров