IX Международная студенческая научная конференция Студенческий научный форум - 2017

Одной из задач обработки и анализа изображений является разделение полноградационного изображения на пространственно-связанные группы пикселей, называемые локальными областями (ЛО) [1,2]. ЛО формируются по определенному критерию связности, например, по выделению на изображении областей с градиентом яркости, то есть по максимуму производной яркости. Подобная операция называется сегментацией. В рамках данной работы рассматривается сегментация полноградационных изображений. Количество возможных градаций яркости S_k для каждого пикселя изображения определяется , (1)

где n - количество бит при кодировании одного пикселя изображения.

К преимуществам полноградационных изображений, в отличие от бинарных, можно отнести возможность определения координат максимумов локальных областей.

Метод сегментации полноградационных изображений должен реализовывать следующие возможности: определение принадлежности пикселей к локальной области; определение границ между объектами, между объектом и фоном; определение координат максимумов локальных областей; адаптивный подбор параметров выделения локальных областей в зависимости от яркостных характеристик изображения.

Метод сегментации реализован в программной среде C++Builder. В качестве исходного использовано изображение сельской местности, полученного с беспилотного летатального аппарата. Используется 8-ми битное представление пикселей.

Под описанные выше требования подходит метод сегментации, называемый в [3,4] методом «водораздела» областей. Первоначально определяется граница между ЛО, а затем формируются сами ЛО. Но первоначально необходимо сгладить исходное изображение.

Выделение областей фона. На изображениях местности в видимом диапазоне спектра яркость фона, как правило, меньше яркости объектов, поэтому в качестве параметра сегментации задается минимальная яркость полезного сигнала. На данном этапе создается матрица Ns по размерам изображения для хранения номера сегмента каждого пикселя и инициализируется ненулевыми значениями. Для пикселей с координатами (i, j) и яркостью меньше минимальной яркости полезного сигнала Ns(i, j) = 0. (2)

где S_k(i, j) – яркость пикселя с координатами (i, j), S_{min, пс}– минимальная яркость полезного сигнала, h – высота изображения, w – ширина изображения.

В данном методе S_{min, пс} определяется на основе анализа гистограммы распределения яркости изображения. На рисунке 1 представлена гистограмма распределения яркости изображения после сглаживания.

Рисунок 1 – Определение минимальной яркости полезного сигнала

На рисунке 1: S_k – уровень яркости пикселей, P(S_k) – вероятность нахождения на изображении пикселя с яркостью S_k. Левая часть гистограммы с малой яркостью относится к областям фона, а правая – к областям полезного сигнала. Соответственно, наиболее точное значение S_{min, пс} – это уровень яркости S_k с минимальной вероятностью P(S_k), находящийся в промежутке между яркостью объектов и фона. В связи с этим необходимо ограничить исследуемую область гистограммы для поиска S_{min, пс}. Действительно, минимальное значение P(S_K) в областях гистограммы с яркостью S_k = {0 … 30} ∩ {230 ... 255} может указать на заведомо неверное значение S_{min, пс}. Критерии определения S_{min, пс} представляются в виде:

(3)

где S_k1 и S_k2 – границы поиска S_{min, пс} , S_max – максимальное значение яркости изображения, S_гар – гарантированный интервал яркости объектов.

Гарантированный интервал яркости объектов позволяет вычислить интервал яркости на гистограмме, который не относится к фону. Величина S_гар подбирается эмпирически, в рамках данной работы примем её равной 10 % от общего количества уровней яркости S_k, то есть равной 25. Для рассматриваемого изображения S_k1 = 93, S_k2 = 230, S_{min, пс} = 187. Результаты выделения областей фона на тестовом изображении приведены на рисунке 5.

В результате проведенного исследования доработан и реализован в виде программы для ПК метод сегментации полноградационных изображений. Для исходного изображения получено отношение сигнал/шум = 2,802, что достаточно для распознавания большинства объектов сельской местности. Данный алгоритм сегментации может найти широкое применение при дешифрировании аэрофотоснимков местности с целью формирования электронной карты, а также при мониторинге земной поверхности [5].

Список литературы

1. Сальников И.И. Растровые пространственно-временные сигналы в системах анализа изображений. – М.: Физматлит, 2009. – 248 с.

2. Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2 – 480 с., ил.

3. Сальников И.И. Анализ пространственно-временных параметров удаленных объектов в информационных технических системах. – М.: ФИЗМАТЛИТ, 2011. – 252 с.

4. Сальников И.И. Размерная селекция бинарных изображений локальный объектов при анализе аэрофотоснимков. // Телекоммуникации. М.: Изд-во Наука и Технологии. №2. 2015, С.17-23.

5. Сальников И.И. Движущие силы развития средств удовлетворения информационных потребностей человека. // «XXI век: итоги прошлого и проблемы настоящего – плюс.» 2014. №3(19). С.11-15.

Код для цитирования: Скопировать