Microsoft Word Уч пособие 22 09. doc

Методы сегментации цветных текстур в цветовых координатных пространствах

Мы говорили о том, что цвет является важной характеристикой объектов. Поскольку форма и распределение кластеров при сегментации цветных текстур зависят от цветового координатного пространства, авторы

проводят анализ цветных текстур в различных цветовых координатных пространствах. Выбор цветового координатного пространства также важен, как и собственно метод сегментации. Вследствие этого в аналитическом обзоре статей будем указывать цветовое координатное пространство, выбранное авторами.
В работе [93] авторы используют для сегментации цветных изображений выбор порогов квантования по многомерным гистограммам распределения компонентов сигнала. Анализ проводится по девяти компонентам, полученным для трех цветовых координатных пространств RGB, YIQ и HSI . Исследуется изображение комнаты с обстановкой для отдыха. При этом авторами, прежде всего, выполняется сегментация текстурной части изображения. А затем для областей изображения, в которых отсутствует текстура, проводится сегментация по цвету на основании многомерного порогового ограничения. В противном случае при таком подходе области с однородной текстурой распались бы на множество отдельных областей. Модельный эксперимент показал, что метод сегментации Олэндера оказывается весьма эффективным. При этом более информативным авторами признан компонент тона.
В работе [94] предложен метод кластеризации для сегментации

цветных изображений в пространстве
_L* _a*_b*
МКО 1976. При таком

описании элементом кластера является круговой цилиндрический сегмент, выделенный на рисунке 3.4. Оценка кластеров производится без предварительных оценок их формы и без предположений о законах распределения кластеров. Определение кластеров производится путем оценки одномерных распределений в хорошо определенном пространстве решений для вычисленных наборов постоянных значений яркости и насыщенности. Процедура определения кластеров состоит в следующем. По изображению строятся одномерные гистограммы распределений цветовых координат. Из этих распределений выбирается то, глубина мод которого больше. По этому распределению выбираются два кластера. Затем уже для каждого из оцененных кластеров строятся одномерные гистограммы распределений по каждой из оставшихся координат. Использование одномерных гистограмм для определения трехмерных кластеров уменьшает количество необходимых вычислений. Для разделения кластеров используется метод линейного дискриминанта Фишера. Такая процедура обеспечивает успешное разделение по одномерному распределению, что выгодно отличает этот метод от приведенного в работе [93], однако его использование затруднено при анализе сложных текстур.
В работе [95] предлагается способ классификации цветных изображений в реальном времени. Авторы используют модель нелинейного преобразования цветового координатного пространства RGB в пространство HSI (3.9)-(3.11). На модуль классификации подается три RGB сигнала от цветной ПЗС камеры, преобразуемые в 6-ти разрядные коды. 18-ти разрядная LUT осуществляет преобразование RGB координат в

координаты HSI, а эти компоненты используются для адресации второй LUT типа ОЗУ 256К8, которая запрограммирована как классификатор реального времени. Обучение осуществляется для нескольких типичных культур. Каждый байт ОЗУ дает код идентификации класса и меру значимости соответствия, пропорциональную расстоянию от исследуемого вектора HSI до центра кластера. Во время автоматической классификации по цвету просмотровая таблица устанавливается в режим чтения. Результат классификации для каждого элемента изображения передается на процессор управления роботом вместе с данными формы, полученными с контурного модуля. Успех работы такого классификатора во многом зависит от получения хороших сглаженных кластеров во время обучения, что ограничивает возможности применения таких систем.
В работе [96] авторы используют рекомендации МКО 1973 по

применению равноконтрастного цветового пространства
L^*u^* v^* . При

сегментации цветного изображения авторы используют метод обучения без учителя, доказывая, что он сходится к методу кластеризации по критерию минимума суммы квадратов ошибки. При таком подходе изменяется форма кластера. Если при сегментации по методу квантования многомерных гистограмм распределения кластеры имеют прямоугольную форму, то при кластеризации по методу минимума квадратов ошибок, когда все пространство разбивается на области, принадлежащие ближайшему весовому вектору, мы имеем более гибкую форму кластера вида мозаик Вороного (рисунок 9.3). Векторное квантование предполагает разбиение множества входных векторов на некоторое количество весовых векторов W_i. В [96] доказывается, что задача кластеризации, то есть задача разбиения входного множества векторов на отдельные области, характеризуемые некоторым центром кластера, по критерию минимума суммы квадратов ошибок сходится к задаче векторного квантования.
P₁ P₂

^C₁ C₂
C_i
C_n

^C₁ C₂
C_i
C_n

C₂
^C1 W C
2 3