Вівторок, 12.12.2017, 07:41

Оптика

Меню сайту
Категорії розділу
Мої статті [6]
Статистика

Онлайн всього: 1
Гостей: 1
Користувачів: 0
Форма входу
Пошук
Друзі сайту
  • Create a free website
  • uCoz Community
  • uCoz Textbook
  • Video Tutorials
  • Official Templates Store
  • Best Websites Examples
  • Фриланс@Freelancehunt.com

    www.work-zilla.com

    Головна » Статті » Мої статті

    Обробка зображень на ЕОМ

    Во многих областях науки, в технике и медицине всё чаще приходится сталкиваться с необходимостью извлечения информации об исследуемых объектах посредством анализа их изображений.

    Термин "изображение" обозначает плоский объект, вид которого изменяется от точки к точке.

    То, что составляет собственно предмет обработки изображений, имеет отношение к изображениям не просто как к произвольным функциям или матрицам, а как к изображению чего-то конкретного, что должно отображать реальные явления и предметы.

    Так как изображения не являются произвольными матрицами, они встречаются не все одинаково часто. С точки зрения теории информации это значит, что количество информации в некотором изображении значительно меньше в среднем, чем в том случае, когда все возможные изображения равновероятны. Следовательно, представляет интерес измерение количества информации, содержащейся в изображении, и разработка методов кодирования для представления изображения в наиболее компактном виде.

    При исследовании изображения наибольший интерес часто представляет получение описания того, что на нём представлено; в этом и заключается проблема распознавания зрительных образов. Это описание можно построить просто в отнесении изображения к одному из нескольких заранее указанных классов, измеряя различные параметры изображения в целом. С другой стороны, в это описание могут входить свойства представленных на изображении объектов и связи между ними. Для получения такого описания обычно необходимо чётко выделить объекты на изображениях и дать оценку их свойств (топологии, размера, формы и т.д.).

    Степень сжатия или сокращения избыточности, достигаемая при использовании методов аппроксимации, обычно больше той, которую можно получить при статистическом кодировании. Аппроксимация может привести к ухудшению качества изображения, тогда как при статистическом кодировании изображение не искажается.

    Существуют специфические методы аппроксимации, основанные на использовании особенностей зрительного восприятия изображений. Эти методы позволяют построить аппроксимацию изображений, приемлемую с точки зрения наблюдателя и в то же время существенно более экономную в информационном смысле.

    Двумя основными средствами, которыми можно воспользоваться для аппроксимации функции, являются дискретизация и квантование.

    Дискретизация заключается в замене непрерывной функции её отсчётами - значениями в конечном множестве значений аргумента. При этом исходная функция аппроксимируется путём интерполяции её значений между отсчётами с помощью простых функций.

    Квантование состоит в том, что значения функции в каждой точке заменяются ближайшими к ним величинами, выбираемыми из конечного множества значений (уровней квантования).

     

    Другим методом аппроксимации функции, который может оказаться полезным и при аппроксимации изображений, является разложение функции в некоторый ряд (Фурье, Тейлора и т.д.).

     

    Выбор отсчётных точек и уровней квантования не обязательно должен быть предопределён заранее. Его можно поставить в зависимость от характера изображения, и в частности от особенностей зрительного восприятия наблюдателем аппроксимированного изображения и его оценки сходства этого изображения с исходным. Например, глаз относительно мало чувствителен к искажениям яркости изображения вблизи резких контуров, поэтому в этих областях возможно грубое квантование. С другой стороны, на главных участках изображения недостаточно большое число уровней квантования может привести к появлению ложных контуров в местах перехода от одного уровня к другому. При дискретизации же, наоборот, отсчёты необходимо располагать чаще вблизи контуров для сохранения их резкости, на плавных же участках их можно брать реже. Таким образом при дискретизации и квантовании изображения каждую точку нужно исследовать на наличие контура.

     

    Разбиение изображений

    Выделение на изображении некоего подмножества равнозначно заданию его "характеристической функции", то есть функции, равной 1 в точках подмножества и 0 в остальных точках. Общепринятый метод выделения на исходном изображении некоторого подмножества сводится к отысканию его характеристической функции с помощью квантования на два уровня исходного изображения или (в более общем случае) изображения, полученного из исходного посредством соответствующей предварительной обработки.

    Кардинальная проблема при работе с любыми методами разбиения, основанными на квантовании изображения, - выбор величины порога. Во многих случаях нельзя сделать этот выбор заранее, так как одно и то же значение порога не для всех изображений оказывается наилучшим.

     

    Геометрические свойства подмножества изображений

    Некоторые признаки изображения имеют естественные определения только в том случае, если на изображении можно чётко выделить обособленное подмножество, то есть некоторый объект.

    Геометрические признаки, инвариантные относительно "эластичных" деформаций изображения, называются топологическими признаками. Из этого определения следует, что "линейчатость" не является топологическим признаком, поскольку на реальном изображении линии имеют конечную ширину и поэтому могут быть превращены в "широкие" фигуры. Однако, если рассматривать идеализированный рисунок, линии которого могут считаться линиями в математическом смысле, или если будем применять только те деформации, которые сохраняют линейчатость, тогда такие признаки рисунков как порядки их узлов (то есть число линий, сходящихся в узле) станут топологическими.

    Наиболее известное топологическое свойство подмножества изображений - связность, то есть число его связных компонент.

    Признаки изображений, которые связаны с измерением площадей, расстояний, углов и т.д., называются метрическими.

    Площадь подмножества дискретного изображения в точности равна числу элементов в этом подмножестве; это число можно получить подсчётом единиц (или суммированием всех элементов) характеристической функции подмножества.

    Для определения периметра подмножества можно пройти вдоль его границы и измерить общий пройденный путь.

    Любое подмножество изображения полностью определяется указанием его границы, которую можно представить состоящей из множества направленных кривых. Следовательно, задав уравнения этих кривых, можно описать это подмножество.

    Распределения частот значений признаков подмножеств дают ряд полезных функций одного параметра. Двумя примерами таких признаков являются:

    - распределение наклонов или кривизны границ подмножества;

    - распределение расстояний между элементами подмножества (либо между элементами его границы).

     

    Проблема распознавания изображений включает в себя не только задачу классификации, но также и задачу описания заданных изображений. В большинстве случаев описание изображения относится к признакам изображения (определяемым как для изображения в целом, так и для его подмножеств).

     

    Если даны грамматика для класса изображений и язык, в котором могут быть описаны изображения, то можно рассматривать задачу описания изображения как задачу "перевода" с языка изображений на язык описаний.

    Общая система описания изображения должна, следовательно, не только обладать способностью к обработке изображений, но также и знать реальную модель, лежащую в основе изображения, то есть сведения о явлениях жизни.

    Категорія: Мої статті | Додав: optik (08.04.2014) E W
    Переглядів: 143 | Коментарі: 2 | Теги: обработка двумерных сигналов на ЭВМ, компьютерная обработка изображений | Рейтинг: 0.0/0
    Всього коментарів: 0
    Ім`я *:
    Email *:
    Код *: