Для решения задач распознавания образов по результатам анализа растровых полутоновых изображений необходимо решить задачу разделения исходного изображения на части (сегменты), различающиеся по своему семантическому содержанию. От качества сегментации зависит эффективность дальнейшего анализа и классификации изображений.
Выделение контуров объектов на полутоновых растровых изображениях можно осуществлять совместно с выделением самих объектов. Для этого обычно используют различные методы сегментации [1], например, на основе среднего значения яркости пикселей. В [2] предложен градиентный способ выделения контуров объектов на матрице полутонового растрового изображения, заключающийся в том, что для всех пикселей растрового изображения вычисляют норму или квадрат нормы градиента изменения их яркости. Затем на новой черно-белой монохромной матрице выделяют все элементы, у которых значение нормы или квадрата нормы градиента больше порогового значения. В качестве контуров объектов на монохромной матрице принимают связные конфигурации элементов черного цвета. Для выбранного способа вычисления градиента экспериментально определяют коэффициент, затем рассчитывают пороговое значение квадрата нормы градиента. Среди связных конфигураций элементов черного цвета на монохромной матрице отбрасывают конфигурации, у которых число входящих элементов менее 5-7 элементов. Для оставшихся конфигураций вычисляют среднюю степень соседства, исходя из условия если средняя степень соседства менее 3, то конфигурации отбрасывают, а оставшиеся принимают в качестве искомых контуров объектов.
К недостаткам данного способа можно отнести слишком большое число эмпирически настраиваемых параметров, что не позволяет получить решающие правила, пригодные для изображений одного и того же класса, полученных при различных условиях или при разнообразных уровнях помех. при нечетких сегментах такие параметры подобрать практически невозможно.
Технической задачей предлагаемого способа является повышение точности выделения границ сегментов полутоновых изображений (большее соответствие выделяемых сегментов субъективному восприятию изображения человеком) и как следствие, повышение помехоустойчивости сегментации, а также повышение степени автоматизации процесса анализа и классификации сегментов изображения.
Поставленная задача достигается тем, что в способе сегментации, заключающемся в локальной обработке исходного изображения масочным оператором и вычислении градиента полученного изображения. Градиент вычисляют у изображения G1, формируемого путем локальной обработки исходного изображения масочным оператором, определяющим «центры тяжести» гистограмм в «пустом» окне по формуле
Способ реализуется согласно схемам алгоритма, представленным на рисунке 1 а), 1б). В блоке 1 (рис.1, а) осуществляется ввод в компьютер пикселей исходного растрового полутонового изображения F, размер которого по вертикали N1, а по горизонтали N2.
Рисунок 1а), 1 б). схемы алгоритма, реализующего представленный способ
В блоке 2 формируется «пустое» окно, размером . Блок 4 организует вычисление градиента изображения G1 – формирует изображение G2. Окончательное выделение сегментов изображения осуществляется в блоке 5, в котором выполняется переход от полутонового изображения G2 к бинарному изображению G3. После анализа сегментированного изображения (блок 6) принимается решение о целесообразности изменения размеров окна (блок 7). Изменение размеров окна позволяет адаптировать процесс сегментации к выделяемым фрагментам изображения. Увеличение окна делает процесс сегментации менее чувствительным к изображениям малого размера (соизмеримым с размерами окна), но повышает помехоустойчивость сегментации.
На рисунке 1,б представлена схема алгоритма получения изображения (изображения G1). Блоки 1 и 2 осуществляют продвижение «пустого» окна по изображению F. Блок 3 организует вычисление гистограмм фрагментов изображения, попадающих в «пустое» окно в процессе его продвижения по изображению F, и формирует из изображения F изображение G1, яркость пикселей которого определяется гистограммами фрагментов изображения F, попавших в «пустое» окно.
На рисунке 2 показано интерфейсное окно с исходным изображением F, на котором обозначено «пустое» окно, и гистограммой яркостей пикселей фрагмента этого изображения, попавших в это «пустое» окно.
Во вложенном цикле (рис. 1,б блок 1 и 2) осуществляется вычисление гистограммы Hij в «пустом» окне (блок 3), формирование яркости пикселя изображения G1, соответствующего ij – й координате «пустого» окна осуществляется в блоке 4 по формуле (1).
Определение количества интервалов s на гистограмме осуществляется по формуле Стерджесса [3]
формулы (2) и (5) обоснованы статистической теорией, и считаются предпочтительнее формулы Стерджесса. Поэтому в блоке 3 предусмотрена возможность определения числа интервалов в гистограмме различными способами.
На рисунке 3 приведены девять гистограмм в «пустом» окне, полученных при пересечении «пустым» окном границы сегмента (контур левого легкого на изображении флюорограммы грудной клетки рисунка 2), по которому можно наблюдать эволюцию «центров тяжести» в «пустом» окне при пересечении границы сегмента.
На рисунке 4 представлено изменение величины «центра тяжести» гистограмм в окне (ряд 1) и градиента «центра тяжести» гистограмм (ряд 2) при пересечении окна изображения флюорограммы грудной клетки в горизонтальном направлении.
Рисунок 4 — графики изменения «центра тяжести» гистограммы в «пустом» окне
Графики на рисунке 4, а и рисунок 4, б получены при различных размерах «пустого» окна. На рисунке 4, а размер окна в два раза больше, чем на рисунке 4, б. Эти графики иллюстрируют тот факт, что уменьшение размера «пустого» окна ведет к более четкому выделению границ малых сегментов и не оказывает влияние на четкость выделение больших сегментов, а также показывают, что снижение размерности окна приводит к увеличению зашумленности контуров границ выделяемых сегментов.
Анализ экспериментальных результатов по обработке тестовых сложнотекстурированных изображений посредством предложенного способа сегментации показал его преимущества относительно известных методов сегментации.
В качестве тестового изображения была выбрана флюорограмма грудной клетки больного пневмонией, которая представлена на рисунке 5, а. Сегмент изображения флюорограммы, определяющий этот диагноз, обведен окружностью.
Рисунок 5. примеры сегментации изображения флюорограммы грудной клетки (а), реализованной посредством известного способа (б) и предлагаемого способа (в)
На рисунке 5, б изображен результат сегментации известным способом. В качестве известного способа сегментации применялся контурный детектор Кенни, его алгоритм реализован в виде процедуры в пакете Matlab [4,5]. На рисунке 5, в представлен результат сегментации разработанным способом. Экспертный анализ представленных на рисунке 5 изображений показывает более высокую помехозащищенность предлагаемого способа по сравнению с аналогом.
Выводы
В результате проведенных исследований разработан способ автоматической сегментации полутоновых сложнотекстурированных растровых изображений, заключающийся в том, что посредством обработки локальным масочным оператором исходного изображения получают новое изображение, вычисляют его градиентное изображение, и посредством пороговой обработки получают сегментированное бинарное изображение, отличающийся тем, что локальная обработка исходного изображения масочным оператором состоит в вычислении «центров тяжести» гистограмм в «пустом» окне.
Список литературы:
- Томакова, Р.А. Анализ биомедицинских изображений различными методами сегментации, основанными на операторах вычисления градиента/ Р.А. Томакова, С.А. Филист, Е.А. Шашкова, О.В. Шаталова // Перспективы развития информационных технологий. 2011. -№3-1. –С. 146-150.
- Патент РФ №2148858, МПК5 G06K9/00. способ автоматической сегментации полутонового изображения по форме яркостной гистограммы / Мадонов А.Е., Белоконь С.П.– №2007106412/09; заявл. 10.07.1998; опубл. 10.05.2000. – 3 с.
- Hyndman, R.J. The problem with Sturges’ rule for constructing histograms Business, Issue: July, 1-2. 1995.
- Гонсалес, Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. М.: Техносфера, 2006. 616 с.
- Томакова, Р.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды Матлаб/ Р.А. Томакова, С.А. Филист//Вестник Забайкальского гос.ун-та. 2012. -№ 1. –С.3-9.[schema type=»book» name=»СПОСОБЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ СЕГМЕНТАЦИИ ПОЛУТОНОВЫХ СЛОЖНОТЕКСТУРИРОВАННЫХ РАСТРОВЫХ ИЗОБРАЖЕНИЙ» author=»Ханыков Алексей Евгеньевич, Дюдин Михаил Валерьевич, Комков Виталий Сергеевич, Кудрявцев Павел Сергеевич» publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-05-08″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_ 28.02.2015_02(11)» ebook=»yes» ]