Текстурные методы (Сегментация)

Материал из Национальной библиотеки им. Н. Э. Баумана
Последнее изменение этой страницы: 02:16, 29 апреля 2016.
Статья по учебной дисциплине
Название дисциплины:

Обнаружение и распознавание сигналов

Раздел:

8. Распознавание и идентификация сигналов на физическом уровне

Глава:

8.1 Предварительная обработка изображений

Преподаватель:

Чичварин Н. В.

Текстурные методы – опираются при анализе на диффузные (цвет, отражательная способность) свойства поверхности анализируемого объекта. Представленные в этой категории методы являются наборами сложных операторов, которые способны свести процесс распознавания поверхностей к простой задаче различения уровней яркости.

Метод текстурных дескрипторов

Наша зрительная система способна с легкостью распознавать и различать текстуры. Оказывается, гораздо сложнее охарактеризовать и выделить скорее «диффузные» свойства текстуры с помощью точно определенных параметров, которые позволяют компьютеру выполнять эту задачу.

Как мы можем описать текстуру? Произвольная структура, которая распространяется на большую область в изображении, безусловно, не распознается как текстура. Таким образом, основным свойством текстуры является малая элементарная структура, которая повторяется периодически или квазипериодически в пространстве, как рисунок на обоях. Таким образом, достаточно описать малую элементарную структуру и правила повторения. Последние задают характеристический размер текстуры.

Анализ текстуры можно сравнить с анализом структуры твердых тел - тематикой, изучаемой в физике твердых тел, химии и минералогии. Физики в области твердых тел должны определить повторяющуюся структуру и распределение атомов в элементарной ячейке. Анализ структуры усложняется тем, что и структуры, и периодическое повторение могут проявлять существенные случайные флуктуации.

Рис.1 Примеры различных текстур


Текстуры можно организовывать иерархическим образом, т.е. они могут выглядеть совершенно по-разному при различных масштабах. Хорошим примером является текстура занавески, показанная на рис. 1 (д). В самом мелком масштабе наше внимание фокусируется на отдельных нитях. Тогда характеристическим размером является толщина нитей. Они также имеют преобладающую локальную ориентацию. На следующем, более грубом уровне, мы распознаем петли сети. Характеристический размер здесь показывает размер петель. На этом уровне локальная ориентация является хорошо распределенной. И, наконец, на еще более грубом уровне мы больше не распознаем отдельные петли, но наблюдаем складки занавески. Они характеризуются еще одним характеристическим размером, показывающим период складок и их ориентацию. Эти рассуждения подчеркивают важность многомасштабного текстурного анализа. Таким образом, многомасштабные структуры данных являются существенными для текстурного анализа.

Представим задачу, в которой необходимо распознать объекты, которые случайно ориентированы в изображении. Нас не интересует ориентация объектов, но интересует их отличие друг от друга. Следовательно, текстурные параметры, которые зависят от ориентации, не представляют интереса. Мы могли бы по-прежнему использовать их, но только если объекты имеют форму, которая затем позволит нам определить их ориентацию. Мы можем использовать подобные аргументы для признаков, инвариантных относительно масштаба. Если интересующие нас объекты расположены на различных расстояниях от камеры, текстурный параметр, используемый для их распознавания, должен быть также инвариантным относительно масштаба. В противном случае распознавание объекта будет зависеть от расстояния. Однако если текстура изменяет свои характеристики в зависимости от масштаба, как в примере с занавеской, текстурные признаки, инвариантные относительно масштаба, могут не существовать вообще. Тогда использование текстур для описания объектов на различных расстояниях становится сложной задачей.

В вышеприведенных примерах нас интересовали объекты сами по себе, а не их ориентация в пространстве. Ориентация поверхностей является ключевым признаком для другой задачи обработки изображений — реконструкции трехмерной сцены по двумерному изображению. Если мы знаем, что поверхность объекта показывает однородную структуру, мы можем анализировать ориентацию и размеры текстуры для нахождения ориентации поверхности в пространстве. Для этого необходимы характеристические размеры и ориентации текстуры.

Текстурный анализ является одной из тех областей в обработке изображений, которой все еще недостает фундаментальных знаний. Поэтому литература содержит много различных эмпирических и полуэмпирических подходов к текстурному анализу. Противоположно представляется довольно простой подход к текстурному анализу, который строит сложные текстурные операторы по элементарным операторам.

Для текстурного анализа используются только четыре фундаментальных текстурных оператора:

  • среднее значение;
  • дисперсия;
  • ориентация;
  • масштаб,

которые применяются на различных уровнях иерархической структуры последовательности обработки изображений. Раз мы вычислили локальную ориентацию и локальный масштаб, оператор усреднения и оператор дисперсии можно применять снова, но на этот раз не к среднему значению и дисперсии уровней яркости, а к локальной ориентации и масштабу.

Эти четыре основных текстурных оператора можно сгруппировать в два класса. Среднее значение и дисперсия являются независящими от поворота и масштаба, в то время как операторы ориентации и масштаба только определяют ориентацию и масштаб соответственно. Это важное разделение между параметрами, инвариантными или неинвариантными относительно масштаба и поворота, значительно упрощает текстурный анализ. Значение этого подхода заключается в ортогональности набора параметров, простоте и возможности их применения.

Один из простейших подходов, применяемых для описания текстуры, состоит в использовании статистических характеристик, определяемых по гистограмме яркости всего изображения или его области. Пусть – случайная величина, соответствующая яркости элементов изображения, а – ее гистограмма, где обозначает число различных уровней яркости. Тогда центральный момент порядка случайной величины равен:

где – среднее значение (средняя яркость изображения):

Из этих уравнений видно, что и . Для описания текстуры особенно важен второй момент, т.е. дисперсия . Она является мерой яркостного контраста, что можно использовать для построения дескрипторов относительной гладкости. Например, величина:

равна 0 для областей постоянной яркости (где дисперсия нулевая) и приближается к 1 для больших значений .

Третий момент

является характеристикой асимметрии гистограммы. Среди прочих полезных характеристик текстуры можно выделить «однородность»:

и среднюю энтропию:

Максимум значения достигается для изображения, все элементы которого имеют одинаковую яркость, и уменьшается по мере роста яркостных различий. Энтропия, в свою очередь, характеризует изменчивость яркости изображения. Она равна 0 для области с постоянной яркостью и максимальна в случае возрастания флуктуации .