253
соседями в окрестности [3x3]; D
Gij
= maxΔG
ij
/minΔG
ij
– отношение значений
максимальной и минимальной разности яркостей
зеленого цвета между
пикселем i, j и его соседями; D
Bij
= maxΔB
ij
/minΔB
ij
– отношение значений
максимальной и минимальной разности яркостей синего цвета между
пикселем i, j и его соседями (в случае, если minΔR
ij
=0, D
Rij
= maxΔR
ij
).
Алгоритм состоит из следующих этапов:
Этап 1. Построение признакового описания изображения. Каждому
пикселю (i, j) со значениями яркостей (R
ij
,G
ij
,B
ij
) необходимо поставить в
соответствие его образ (вектор-признак) V
ij
:
V
ij
=(R
ij
,G
ij
,B
ij
,Grad
Rij
,Grad
Gij
,Grad
Bij
,D
Rij
,D
Gij
,D
Bij
)
и сформировать множество S, которое состоит из m×n образов:
S= {V
ij
, i=1,2,…m; j=1,2,…,n}.
В нем каждый образ соответствует
одному пикселю исходного
изображения.
Этап 2. Кластеризация. Кластеризация признакового пространства
осуществляется с помощью алгоритма k–средних.
Алгоритм k-средних – наиболее популярный метод
кластеризации
. Он
разбивает
множество
элементов
векторного пространства
на заранее
известное число кластеров
k. Действие алгоритма таково,
что он стремится
минимизировать
дисперсию
на точках каждого кластера:
где
k – число кластеров,
S
i
– полученные кластеры,i=1, 2, …k и μ
i
–
центры масс векторов
i
j
S
x
.
Основная идея заключается в том, что на каждой
итерации
перевычисляется
центр масс
для каждого кластера,
полученного на
предыдущем шаге, затем векторы разбиваются на кластеры вновь в
соответствии с тем, какой из новых центров оказался ближе по выбранной
метрике
. Алгоритм завершается, когда на какой-то итерации не происходит
изменения кластеров.
Этап 3. Постобработка. На сегментированном изображении кластеру в
признаковом пространстве могут соответствовать несколько мелких областей.
Поэтому требуется постобработка полученных результатов,
которая
заключается в следующем. Анализируются всевозможные пары кластеров, и
вычисляются расстояния между их центрами. Вычисляется среднее
расстояние d
s
между кластерами. Если расстояние между центрами двух
кластеров меньше чем среднее расстояние d
s
, и при этом количество образов,
254
входящих в один из кластеров, меньше одной трети количества пикселей
другого кластера, то такие кластеры объединяются в один. В
случае
объединения
вычисляется
центр
вновь
созданного
кластера
и
пересчитываются расстояния между центрами кластеров. В результате этого
количество кластеров уменьшается с Q до Ω.
Разработанные алгоритмы могут использоваться в системах обработки
и сжатия цифровых изображений.
Do'stlaringiz bilan baham: