Анализ методов улучшения качества изображений для поиска линий Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневскце чтения

УДК 004.932

Ю. В. Борисов

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ

ДЛЯ ВЫДЕЛЕНИЯ ЛИЦ

Рассмотрены различные методы сегментации изображения.

Важную роль в процессе обработки изображений играет сегментация, т. е. разбиение изображения на непохожие по некоторому признаку области. Методы сегментации можно разделить на два класса: автоматические и интерактивные. В свою очередь автоматическая сегментация направлена на выделение областей изображения с известными свойствами и разбиение изображения на однородные области. Рассмотрим некоторые из методов разбиения изображения на однородные области.

Выращивание регионов - метод, основанный на том, что сначала на изображении по некоторому правилу выбираются центры регионов, к которым поэтапно присоединяются соседние точки. Это будет происходить до тех пор, пока ни одна точка не сможет быть присоединена ни к одному региону [1].

Методы дробления-слияния реализуются двумя этапами: дроблением и слиянием. Дробление начинается с некоторого разбиения изображения не обязательно на однородные области. Процесс дробления областей происходит до тех пор, пока не будет получено разбиение изображения (пересегментация), удовлетворяющее свойству однородности сегментов. Затем происходит объединение схожих соседних сегментов до тех пор, пока не будет получено разбиение

изображения на однородные области максимального размера [1].

В методах, основанных на операторах выделения краев, задача сегментации формулируется как задача поиска границ регионов. Методы поиска границ хорошо разработаны для полутоновых изображений (фильтры Roberts, Kirsch, Prewitt, Sobel).

Методы, основанные на применении фильтров Steerable, осуществляют дифференцирование по направлению. Для таких фильтров можно выбрать базис, через который выражается дифференцирование по любому направлению. Для поиска границ результаты применения базисных фильтров комбинируются.

Для распознавания лица на фотографии наиболее эффективным является метод выделения границ в совокупности с методом выращивания регионов. Такая комбинация позволит достаточно эффективно локализовать ключевые области.

Библиографическая ссылка

1. Самаль Д. И., Старовойтов В. В. Подходы и методы распознавания людей по фотопортретам. Ин-т техн. кибернетики Нац. акад. наук Беларуси. Минск, 1998.

Yu. V. Borisov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

THE COMPARATIVE ANALYSIS OF IMAGE SEGMENTATION METHODS FOR DETECTING PEOPLE'S FACES

Various methods for image segmentation are considered.

© Борисов Ю. В., 2012

УДК 004.932

Ю. В. Борисов, А. С. Лисица

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

АНАЛИЗ МЕТОДОВ УЛУЧШЕНИЯ КАЧЕСТВА ИЗОБРАЖЕНИЙ ДЛЯ ПОИСКА ЛИНИЙ

Проведен сравнительный анализ различных методов коррекции изображения с выявлением необходимых условий для их использования при выполнении поиска линий.

В большинстве случаев фотографии, сделанные мо представить его в подготовленном для этих целей непрофессионально, имеют плохое качество. Поэтому виде.

для автоматического распознавания каких-либо эле- Можно выделить следующие виды искажений, ко-

ментов на таком изображении компьютеру необходи- торые возникают при любительской съемке: недоста-

Информационные системы и технологии

точное освещение, наличие засвеченных частей, низкая контрастность, искусственное цветное освещение, комбинация двух или более видов искажения. Обработка фотографий такого качества крайне неудобна как человеку, так и компьютеру. Поэтому для устранения подобных проблем было придумано множество методов, нацеленных на улучшение визуального качества, среди которых можно выделить три основные группы: цветокоррекцию, шумоподавление и повышение резкости.

К методам цветокоррекции относят метод AutoLevels, цветовой баланс, коррекцию яркости, коррекцию контраста, технологию Retinex, гамма-коррекцию и пр.; к методам шумоподавления - линейное и нелинейное сглаживание, ретуширование, Adjust и т. д.; к методам повышения резкости -HighPass, Unsharp Mask, Smart Sharpen и многие другие [1].

При выделении линий на основе преобразования Хафа необходимо сделать так, чтобы линии были более четкими. Для этого вначале нужно выполнить цветовую коррекцию, шумоподавление и в заключение повысить резкость.

Для изображений с недостаточным освещением более подходят фильтры AutoLevels и корректировка уровней, а в случае наличия засвеченных частей -Highlights. При шумоподавлении необходимо воспользоваться фильтром Гаусса, а затем усилить резкость методом Unsharp Mask с модификациями. Скомбинировав все эти методы в такой последовательности, можно получить оптимальный вариант, который позволит компьютеру распознать необходимые линии.

Библиографическая ссылка

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005.

Yu. V. Borisov, A. S. Lisitsa Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

THE ANALYSIS OF QUALITY IMPROVEMENT METHODS OF IMAGES FOR LINES SEARCH

The comparative analysis of various image correction methods with determination of conditions of their use for lines search is described.

© Борисов Ю. В., Лисица А. С., 2012

УДК 004.932.2

Д. В. Бузаев, А. В. Носов

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

МЕТОД СЛАБОЙ ПЕРСПЕКТИВНОЙ ТРАНСФОРМАЦИИ ИЗОБРАЖЕНИЯ

Рассмотрен метод перспективной и проективной трансформации, позволяющий производить проекцию изображения на плоскость.

Проекция всех точек системы координат выполняется вдоль направления, параллельного оптической оси камеры, что позволяет избежать искажения объ -екта на изображении [1].

Перспективную проекцию можно приближенно представить как прямоугольную с последующим масштабированием плоскости изображения. Данный метод называется слабой перспективной проекцией [2] и описывается формулой

Рр = С П( 5) СР,

где рР - координаты преобразованной точки; П - матрица преобразования с коэффициентом 5 (отношение расстояния до объекта к фокусному расстоянию); СР -координаты исходной точки.

В данном случае параллельные прямые сходятся, размер объекта интереса уменьшается с увеличением расстояния от центра проекции и происходит неоднородное искажение линий объекта, зависящее от ориентации и расстояния от объекта до центра проекции:

Г FP1 x

FP _ У _

P

x

'P

У

ZP

x

1

Оценка модели проводится эмпирическим путем, при этом расстояние до объекта должно примерно в 20 раз превышать его размер. Точность приближения также зависит от оптической оси камеры: чем ближе к этой оси расположен объект, тем выше точность.