Сегментация изображений на основе JSEG-алгоритма Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.932

СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ JSEG-АЛГОРИТМА

А. И. Томилина Научный руководитель - М. Н. Фаворская

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: [email protected]

Рассмотрена сегментация изображений на основе JSEG-алгоритма, проанализированы основные достоинства и недостатки этого метода, также рассмотрена область применения алгоритма.

Ключевые слова: обработка изображений, сегментация, изображение, JSEG.

IMAGE SEGMENTATION BASED ON JSEG-ALGORITHM

А. I. Tomilina Scientific supervisor - M. N. Favorskaya

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

The paper considers image segmentation based on JSEG algorithm, analyzes the main advantages and disadvantages of this method and also consideres the scope of the algorithm.

Keywords: image processing, segmentation, image, JSEG.

Под сегментацией понимают процесс разбиения изображения на непересекающиеся области, которые семантически соответствующие объектам. Данная процедура необходима для решения различных задач: определения объектов на фотографиях, сделанных со спутников снимков (дорог, лесов, и т. п.); распознавания отпечатков пальцев; распознавания лиц; обработки медицинских изображений (определения опухолей и других патологий).

В процессе сегментации проводится разбиение изображения на области, однородные по какому-нибудь признаку: интенсивности, текстуре, цвету. Большинство существующих методов сегментации, такие как методы прямой кластеризации в цветовом пространстве, методы, основанные на стохастических моделях, методы наращивания областей, морфологического водораздела, диффузии энергии, разрезания графов, хорошо работают на однородных цветных областях. Но семантические объекты обычно соответствуют областям, однородным не только по цвету, но и по текстуре. Однако многие методы текстурной сегментации требуют оценки параметров текстурной модели, что является сложной задачей, которая решается в четко выделенной однородной области для получения устойчивой оценки.

Задачу разбиения изображения на однородные области можно свести к задаче оптимизации. Для этого задачу сегментации формулируют как задачу поиска разбиения изображения, обладающего определенными свойствами, и затем вводится функционал, который отражает степень соответствия полученной сегментации предъявляемым требованиям [1].

Примером оптимизационного метода является алгоритм JSEG [2]. Согласно этому методу вместо оценки параметров модели текстуры проверяется однородность каждого фрагмента изображения, что приводит к сокращению объема вычислений. Метод JSEG включает 2 этапа: квантование цветов и пространственную сегментацию по текстурному признаку. На первом этапе цвета на изображении квантуются на несколько представительных классов, которые могут быть использованы для дифференциации областей изображения. Это квантование происходит в цветовом пространстве без учета пространственного расположения цветов (см. рисунок). Значения цветов пикселей изображения

Секция «Программные средства и информационные технологии»

изменяются на соответствующие им маркеры классов, тем самым формируя карту значений цвета изображения. Последняя может быть рассмотрена как текстурное изображение.

Сегментация карты значений цвета

На втором этапе пространственная сегментация применяется прямо к карте значений цвета, без учета сходства цветов соответствующих пикселей. Для этого определен текстурный признак сегментации на основе карты значений цвета изображения. Вычисление этого признака в локальных окнах на карте значений цвета изображения выполняется путем определения в окрестности каждого пикселя ./-величины - нормированной разности общей дисперсии координат пикселей окрестности и внутриклассовой дисперсии координат пикселей окрестности.

Обозначим:

• =£|| г - т\\2, ^ (г) = \г -

т.

(1)

/=1 2^.2

где Бг - дисперсия точек на изображении; (2) - суммарная дисперсия координат точек, которые принадлежат одному классу. Здесь Бг зависит от размера и формы окрестности обработки в точке г = (х, у), но не зависит от самих значений координат точки (х, у). /-величина:

Бг - Бм> ( 2)

/ ( 2) = -

( 2 )

(2)

что основано на линейном дискриминанте Фишера для нескольких классов в случае произвольного распределения значений из разных классов.

Чем выше значение /-величины в окрестности пикселя изображения, тем больше вероятность того, что соответствующий пиксель принадлежит границе однородной области. Свойства результата /-преобразования позволяют использовать методы наращивания областей для определения «центров группирования» с последующим присоединением соседних пикселей изображения. В качестве «центов группирования» выбираются пиксели с малыми значениями /-величины. После наращивания областей проводится слияние мелких фрагментов изображения.

Затем вводится функционал качества сегментации, использующий распределение цветов на изображении. Однако оптимизация этого функционала напрямую - очень трудоемкая задача. В методе 18ЕО используется жадный алгоритм оптимизации введенного функционала качества сегментации. Значение функционала качества вычисляется для окрестности каждой точки. Большие значения функционала качества соответствуют границам однородных областей, маленькие значения соответствуют центрам регионов. Затем применяется выращивание регионов, в качестве зерен используются точки с минимальными значениями функционала. На последнем этапе проводится слияние мелких регионов [3].

В работе рассмотрена работа алгоритма /БЕО. Преимущество данного алгоритма состоит в том, что отделение сходства цвета пикселей от их пространственного расположения позволяет развивать методы обоих этапов сегментации. Метод обладает высокой помехоустойчивостью и может проводить сегментацию изображения на разных масштабах за счет варьирования размера окрестностей пикселей карты значений цвета. Недостаток метода /БЕО - высокая погрешность определения координат точек границ однородных областей, пересегментация в области теней объектов, недостаточная сегментация в случае плавного изменения значений цвета на изображении.

Библиографические ссылки

1. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG [Электронный ресурс]. URL: http://aaecs.org/polyakova-mv-ishenko-av-hudaiberdin-ei-porogovo-prostranstvennaya-segmentaciya-cvetnih-teksturirovannih-izobrajenii-na-osnove-metoda-jseg.html (дата обращения: 15.03.2015).

2. Deng Y., Manjunath B. S., Unsupervised segmentation of color-texture regions in images and video // IEEE Trans. Pattern Analysis and Marine Intelligence. 2001. Vol. 23, № 8. P. 800-810.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений / пер. с англ. М. : Техносфера, 2005. 1072 с.

© Томилина А. И., 2015