|
АНАЛИЗ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ Описание текстур
Цвет и текстура являются важными характеристиками изображения. Проблема анализа цветных текстур включает в себя такие аспекты, как описание цветных текстур, их классификация, то есть формирование кластеров (при этом под кластером понимают обычно группу объектов, образующих в пространстве описания компактную в некотором смысле
область), и сегментация, то есть разбиение изображения на области, которые являются однородными относительно одной или нескольких характеристик, или принадлежат некоторому кластеру. Харалик [62] выделяет два подхода к описанию текстур: статистический и структурный. Сегодня можно сказать, что развит и получил распространение третий подход к описанию текстур - фрактальный [63]. Остановимся более подробно на этих подходах.
Статистический подход к описанию текстур
В первых работах по анализу текстур использовались такие признаки, как средняя оптическая плотность снимка и средняя пространственная частота [64].
Авторы работы [65] в качестве признаков при автоматической классификации аэрофотоизображений используют среднее значение оптической плотности и ее дисперсию. В работе [66] для автоматического анализа формы облачности применяются собственные векторы ковариационной матрицы яркостей элементов скользящего окна (прямоугольного фрагмента изображения) размером 66 элементов. Распределение яркостей пар соседних элементов и двумерная aвтокорреляционная функция в качестве описания изображений облачных полей исследуются в работе [67]. В более поздних работах Розенфельд описывает текстуру плотностью перепадов яркости, то есть количеством перепадов яркости на единицу площади [68].
Харалик [69] для различения текстур использует ковариационные матрицы, характеризующие статистики второго порядка и описывающие пространственные связи пар яркостей элементов в цифровом изображении текстуры. Этот подход основан на предположении Юлеша [70] о том, что человеческий глаз использует статистики не выше второго порядка для распознавания текстур. В 1978-1980 годах Юлеш и Гагалович [71, 72] посредством моделирования построили контрпримеры, состоящие однако из искусственных текстур, не встречающихся в природе. В работе [73] элементы ковариационной матрицы B(i,j) являются счетчиками числа переходов яркости i в яркость j для пар элементов изображения, отстоящих на заданном расстоянии d. Эта характеристика не инвариантна к повороту, поэтому необходимо считать число переходов для каждого анализируемого направления.
Чаще используется не вычисление ковариационных матриц как таковых, а оценка основанных на них признаков, характеризующих текстуру. В работе [69] Харалик предлагает использовать 14 признаков текстур, основанных на статистике и теории информации. В работе [73] на основе анализа этих признаков, авторами предложено использовать только 6 из них, представляющих оценку изображения по его информационным и статистическим характеристикам, таким как характеристика однородности, контраст, энтропия, количество информации.
Для анализа текстур авторами работ [74 − 76] на основании теории статистического кодирования и данных физиологии зрения предлагается использовать распределение отрезков контуров и интервалов между контурными элементами. Эти характеристики можно измерять за время одного ТВ кадра посредством простых схем нелинейных фильтров, регистров сдвига и фильтров с обратной связью. При построении ТВ автомата, работающего в реальном времени [77], для классификации неоднородных текстур использовалась оценка максиминных расстояний между контурами.
Рассмотрим работу этого автомата подробнее. При создании автоматической системы для анализа неоднородных текстурных изображений выполняется следующая процедура. Анализируемое изображение разбивается на фрагменты. Для каждого фрагмента оцениваются характеристики и строятся гистограммы их распределения. Отдельные информативные отсчеты полученных распределений выбираются в качестве признаков для распознавания. Параметры классификации такие, как размер фрагмента, количество уровней квантования гистограммы распределения признаков и количество информативных признаков, остаются неопределенными.
Для нахождения параметров используется метод «стабильности» моды. Для некоторого признака строится зависимость количества мод гистограммы от определяемого параметра. Наибольшая область этого параметра, в которой количество мод остается постоянным, называется зоной «стабильности» моды, а середину этой области используют в качестве значения неизвестного параметра. Если распределение какого-то признака не имеет мод или имеет только 1 моду, то признак считается неинформативным и отбрасывается.
Алгоритм предполагает выполнение следующих операций. Прежде всего, формируется контурное изображение путем сравнения лапласиана с
порогом gx, y 1,
если
Do'stlaringiz bilan baham: |
