ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

Print ISSN: 1727-2769    Online ISSN: 2658-3747
English | Русский

Последний выпуск
№3(40) июль-сентябрь 2018

АВТОМАТИЧЕСКИЙ ВЫБОР ПОРОГОВ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ГРАДИЕНТНЫХ СТРУКТУРНЫХ ТЕНЗОРОВ

Выпуск № 2 (21) июль-декабрь 2013
Авторы:

Грузман Игорь Семенович
Аннотация
Сегментация изображений играет важную роль в обработке изображений и компьютерном зрении. Для сегментации анизотропных текстур широко используется градиентный структурный тензор. Среди большого числа методов сегментации метод пороговой сегментации является наиболее универсальным из-за его эффективности и простоты. Как правило, сегментация для градиентного структурного тензора основана на использовании априорных данных. Иерархический метод основан на сравнении меры когерентности локальной ориентации текстуры с наперед заданным порогом. Предложено применить метод Оцу для автоматического выбора оптимальных порогов, чтобы разделить анизотропные текстуры. В соответствии с этим методом оптимальные пороги выбираются путем максимизации межклассовой дисперсии. Однако реализация метода Оцу для многоуровневой пороговой обработки требует много времени из-за неэффективного расчета межклассовой дисперсии. Разработан быстрый алгоритм выбора порогов Оцу на основе табличного метода. Предлагаемый подход обладает не только вычислительной эффективностью, но и не требует априорных предположений о свойствах текстур. Эксперименты на типовых изображениях показали, что предложенный алгоритм обеспечивает конкурентноспособные результаты. Рассмотрены примеры, демонстрирующие эффективность алгоритма для сегментации изображений линейных трасс, получаемых при проведении судебно-криминалистической экспертизы.
Ключевые слова: пороговая сегментация, анизотропные текстуры, градиентный структурный тензор, автоматический выбор, метод Оцу

Список литературы
  1. Maltoni D., Maio D., Jain A.K. at al. Handbook of Fingerprint Recognition. NY: Springer-Verlag, 2009, 496 p.
  2. Грузман И.С., Карпушин В.Б. Aлгоритмы отождествления и распознавания объектов по изображениям линейных трасс. Доклады АН ВШ, 2010, № 1, С. 84–92.
  3. Грузман И.С., Карпушин В.Б. Оценка траектории движения следообразующего объекта на основе градиентного структурного тензора. Автометрия, 2011, №1, С. 2–9.
  4. Коноваленко И.В., Муращак П.О. Автоматизированный метод диагностики деформационного поведения материала, поврежденного сеткой трещин термоусталости. Автометрия, 2013, № 3, С. 36–43.
  5. Грузман И.С. Эффективность оценки ориентации анизотропной текстуры на основе градиентного структурного тензора, Автометрия, 2011, №6, С. 3–10.
  6. Грузман И. С. Оценка эффективности алгоритма сегментации на основе градиентного структурного тензора. Известия вузов РФ. Радиоэлектроника, 2012, №2, С. 22–30.
  7. Muhlich M., Aach T. Analysis of Multiple Orientations. IEEE Trans., 2009, vol. IP-18, no. 7, pp.1424–1437.
  8. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007, 584с.
  9. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2006, 1072 с.
  10.  Грузман И. С. Синтез оптимальных дифференциаторов для алгоритма обнаружения локально ориентированных текстур. Компьютерная оптика, 2012, №1, С. 109–115.
  11. Грузман И. С., Карпушин В.Б. Синтез градиентных алгоритмов с минимальной систематической ошибкой оценивания поля направлений. Автометрия, 2010, №1, С. 3–12.
  12. Otsu N. A Threshold Selection Method from Gray-level Histograms, IEEE Trans, 1979, vol. SMC-9, № 1, pp. 62 – 66.
  13. Leon F. P. Automated comparison of firearm bullets, Forensic Science International, 2006, № 156, pp. 40–50.
Просмотров: 265