РАСПОЗНАВАНИЕ  ИЗОБРАЖЕНИЙ  КОМПЛЕКСОМ  ДИФФЕРЕНЦИРУЮЩИХ  МАСОК  С  ФИЛЬТРАЦИЕЙ

Шамин  Павел  Юрьевич

канд.  техн.  наук,  инженер-программист  ИВЦ  ВлГУ,  г.  Владимир

E-mail:  trace83@mail.ru

Номан  Мустафа  Абдулла  Али

Аспирант  ВлГУ,  г.  Владимир

Хорьков  Кирилл  Сергеевич

Аспирант  ВлГУ,  г.  Владимир

E-mail:  freeod@mail.ru

Данная  работа  выполнена  в  рамках  НИР  по  госзаданию  «Наука»  (Регистрационный  номер:  8.3303.2011  от  23.11.2011).

Одним  из  востребованных  подходов  в  области  анализа  изображений  является  исследование  его  с  помощью  дифференцирующих  масок,  выделяющих  ту  или  иную  информацию  (см.,  например  [3]).  В  данной  статье  рассматривается  метод  сравнения  фрагментов  изображенияпо  текстурных  признакамc  использованием  согласованного  набора  дифференцирующих  масок.  В  более  ранней  статье  [1]  нами  предлагался  подобный  метод  для  сравнения  изображений  лиц.  В  настоящей  статье  используется  модификация,  этого  метода,  основанная  на  применении  определённого  вида  фильтрации.  Рассматриваемый  подход  может  иметь  применение  в  задачах  машинного  зрения,  автоматизированного  анализа  и  сегментации  изображений.

Метод  применим  к  растровым  полутоновым  двумернымизображениям,  полученным,например,  с  помощью  электронной  микроскопии.  Результаты,  приведённые  в  данной  статье  получены  на  изображении,  приведённом  на  рис.  1.

Рисунок  1.  Изображение  участка  микросхемы,  полученное  с  использованием  электронного  микроскопа

Ставится  задача  классификации  фрагментов  этого  изображения  по  текстуре  на  два  класса  («класс  а»  и  «класс  б»).  Примеры  изображений  обоих  классов  приведены  в  таблице  1.

Таблица  2. 

Фрагменты  тестового  изображения  с  различной  текстурой

Базовая  часть  метода  основана  на  использовании  текстурных  фильтров  Фрея-Чена  [2]  и  аналогична  рассмотренной  нами  в  [1],  основная  же  идея  фильтрации  заключается  в  следующем:  значительная  часть  большинства  реальных  изображений  неинформативна  (является  «гладкой»,  не  содержит  полезной  информации  о  неоднородностях  текстуры  изображения).  Использование  таких  частей  изображения  опасно,  поскольку  ничтожные  значения  величин  A,  B,  C,  D^[1]  —  энергий  градиента,  пульсации,  линии  и  лапласианаобразуют  между  собой  практически  случайные  соотношения  и,  в  итоге,  искажают  вид  порядковой  гистограммы  в  том  варианте,  в  котором  она  описана  в  исходной  статье.

Предлагается  следующий  метод  борьбы  с  этим  явлением:  исключать  из  рассмотрения  часть  пикселов  изображения,  на  которых  энергия  константы  E  превышает  заданный  процент  от  суммы  всех  пяти  величин.  Для  этого  в  каждой  точке  изображения  вводится  величина  R  матрицазначений  которой  для  изображения  Y  может  быть  выражена  через  матрицы  A,  B,  C,  D,  E  следующим  образом:

,

где:  ÷  —  операция  поэлементного  вычисления  частного  от  деления.

Задав  порог  d  для  бинаризации  величины  R,  можно  получить  бинарную  матрицу  W:

Данная  матрица  может  быть  использована  при  построении  порядковой  гистограммы,  характеризующей  текстурные  признаки  изображения,  следующим  образом:  элементы  матриц  A,  B,  C,  D  соответствующие  единичным  элементам  матрицы  W,  считаются  неинформативными  и  не  используются.

Вопрос  оптимального  выбора  порога  d  требует  отдельного  исследования,  очевидно,  его  следует  выбирать  из  соображений  сохранения  достаточной  доли  пикселов  изображения,  участвующих  в  анализе.  В  частности,  результаты,  приведённые  в  данной  статье,  были  получены  при  пороге  d  =  0,995.

Примеры  фрагментов  тестового  изображения  с  различной  текстурой  и  соответствующих  им  матриц  для  d  =  0,995приведены  в  таблице  2.

Таблица  2. 

Фрагменты  тестового  изображения  и  их  матрицы  W

После  построения  порядковых  гистограмм  сравнение  фрагментов  изображения  производится  по  следующему  принципу:  вычисление  расстояний  по  метрике  L₁с  последующим  принятием  решения  по  пороговому  критерию.

Результаты  вычисления  расстояния  по  метрике  L₁между  парами  тестовых  изображений  приведены  в  таблице  3,  из  которой  видно,  что  существует  порог,  который  позволяет  разделить  по  величине  внутриклассовые  и  межклассовые  расстояния  (то  есть  расстояния  между  парой  изображений  одного  класса,  таких  как,  например,  два  фрагмента  типа  «a»,  и  различных  классов  —  фрагмент  типа  «a»  и  фрагмент  типа  «b»).  В  частности,  если  выбрать  порог  принятия  решения  о  принадлежности  фрагментов  изображения  к  одному  классу  равным  0,3,  то  ниже  него  окажутся  только  внутриклассовые  расстояния  (выделены  зелёным  в  таблице  3).Ряд  параметров,  косвенно  характеризующих  качество  различения  приведён  также  в  таблице  4. 

Таблица  3. 

Расстояния  между  тестовыми  изображениями  по  метрике  L₁

Таблица  4. 

Полученные  соотношения  между  расстояниями

Как  видно  из  таблицы  4,  метод  с  фильтрацией  обеспечивает  гораздо  более  качественное  разделение  классов  текстур  изображений  (фрагмент  типа  «a»  и  фрагмент  типа  «b»).

С  учётом  полученных  результатов  можно  рекомендовать  данный  подход  (в  том  числе  с  другими  наборами  дифференцирующих  масок)  для  применения  в  различных  радиотехнических  системах,  решающих  задачи  компьютерного  зрения,  анализа  изображений  и  сигналов,  например  для  целей  сегментации,  выделения  специфических  областей  изображения,  автоматического  позиционирования  по  изображению  и  т.  д.

Список  литературы:

1.Звягин  М.Ю.  Распознавание  людей  по  изображению  лица  с  использованием  текстурных  характеристик  /  М.Ю.  Звягин,  В.Г.  Прокошев,  О.А.  Новикова,  П.Ю.  Шамин  //  Труды  XVII  Всероссийской  научно-методической  конференции  «Телематика'2010»  Том  1.  Секция  A.  —  21—24  июня  2010  года,  СПб.  —  С.  257—259.  —  ISBN  978-5-7577-0354-1.

2.Шапиро  Л.  Компьютерное  зрение  /  Л.  Шапиро,  Дж.  Стокман;  Пер.  с  англ.  —  М.:  Бином.  Лаборатория  знаний,  2006.  —  752  с.  —  ISBN  0-13-030796-3  (англ.),  ISBN  5-94774-384-1  (русск.).

3.Грузман  И.С.  Синтез  оптимальных  дифференциаторов  для  алгоритма  обнаружения  локально  ориентированных  текстур  //  Компьютерная  оптика,  том  36,  №  1,  2012  г.  —  С.  109—114.