Microsoft Word Уч пособие 22 09. doc

Сегментация цветных текстурных изображений

Под сегментацией цветных текстур мы понимаем процесс пространственного разбиения изображения на области, однородные относительно некоторого набора характеристик, то есть принадлежащие одному кластеру.
Процессу сегментации предшествует процесс формирования пространства признаков, основанный на исследовании текстур и, в свою очередь, опирающийся на описание текстур. Текстуры, имеющие различные цветовые характеристики, могут быть успешно разделены на основании цветовых признаков.
При сегментации цветных текстур необходимо учитывать как спектральные характеристики объекта, так и их пространственные характеристики. При этом наиболее информативным из цветовых признаков представляется компонент тона. Однако разбиение изображения только по тоновому компоненту является недостаточным, поскольку объекты, имеющие один тон, но разную яркость, наблюдатель определяет как разные. Например, объекты, окрашенные в желтый или коричневый
цвета, для наблюдателя различны. Это же можно отнести и к объектам, обладающим разной насыщенностью. Сегментация по цвету на основании многомерного порогового ограничения сопряжена, прежде всего, с тем, что в сложных изображениях, содержащих множество небольших областей, имеющих различные цветовые признаки, нет выраженных провалов гистограмм, что в свою очередь затрудняет определение порогов и в конечном итоге приводит к ошибкам сегментации. Исходя из этого, представляется целесообразным первоначально выполнить сегментацию изображения по тоновому компоненту, затем применить алгоритм кластеризации по методу К-внутригрупповых средних [98] по критерию минимальной удаленности элемента изображения от центра кластера, а затем выполнить сегментацию кластеров по гистограммам H, R, G или B компонентов [99]. Причем, с целью уменьшения ошибок при выборе порогов, гистограмму распределений компонентов следует оценивать с учетом пространственных характеристик кластера [100]. С этой целью производится предварительная селекция связных компонентов и в выборку включаются только те из них, которые превышают некоторый заданный размер области. Затем для доопределенного множества кластеров производится кластеризация элементов изображения по методу К- внутригрупповых средних.
Предложенный алгоритм обладает следующими характеристиками:

1. 
   Сочетание сегментации и кластеризации позволяет учитывать как пространственные, так и цветовые характеристики изображения.
   
2. 
   Количество кластеров не является предопределенным, а вычисляется в процессе обработки в соответствии с информацией, содержащейся в обрабатываемом изображении.
   
3. 
   Определение границы сегмента производится с точностью до элемента растра в отличие от фрагментарных методов, при использовании которых точность определения границы зависит от размера фрагмента.
   

Поскольку метод К-внутригрупповых средних является локально сходимым и не производит новых кластеров, успех его применения зависит от первоначального разбиения пространства признаков, в нашем случае это значения R, G, B компонентов сигнала. Чтобы обеспечить лучшие условия сходимости алгоритма, мы выполняем первоначальное разбиение по методу порогового ограничения, причем используем гистограмму распределения тонового компонента для сокращения времени выполнения разбиения.

Пусть C_j есть кластер с количеством элементов
m_j  2 . Пусть C_k

является непустым подмножеством C_j, то есть
C_k  0 ,
C_k  C _j ,
C_k  C _j .

Пусть