ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

Аннотация
Сегментация изображений на основе текстурных признаков играет важную роль в задачах обработки и анализа изображений. Для сегментации анизотропных текстур широко используется градиентный структурный тензор, представляющий собой матрицу вторых моментов производных первого порядка по вертикальному и горизонтальному направлениям двумерной функции яркости. Обычно в алгоритме сегментации на основе градиентного структурного тензора используется нормированная мера когерентности, принимаю-щая значения от 0 до 1. Мера когерентности использует различие собственных значений градиента структурного тензора. Однако применение этой меры когерентности вместо компонент матрицы вторых моментов потенциально ведет к увеличению уровня ошибок сегментации. Для решения проблемы автоматической сегментации анизотропных изобра-жений используется гауссовская аппроксимация совместного распределения компонент градиентного структурного тензора. Оценки параметров гауссовой модели смеси получены с помощью ЕМ-алгоритма, представляющего собой итерационный алгоритм вычисления оценок максимального правдоподобия. EM-алгоритм в значительной степени зависит от начальных условий. Он может сходиться к локальным минимумам и давать ошибочные решения. Для автоматического выбора начальных условий предлагается использовать метод Оцу. Этот метод выбирает оптимальный порог для разделения анизотропных текстур путем максимизации межклассовой дисперсии. Экспериментальные данные показали, что предложенный алгоритм приводит к значительному улучшению точности сегментации анизотропных изображений на основе градиентного структурного тензора. 

Список литературы

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с. 
2. Цифровая обработка изображений в информационных системах: учеб. пособие / И.С. Грузман, В.С. Киричук, В.П. Косых, Г.И. Перетягин, А.А. Спектор. – Новосибирск: Изд-во НГТУ, 2002. – 352 с. 
3. Bigun J. Vision with Direction: A systematic introduction to image processing and computer vision. – Berlin: Springer-Verlag, 2006. – 396 p. 
4. Яне Б. Цифровая обработка изображений. – М.: Техносфера, 2007. – 584 с. 
5. Грузман И.С. Синтез оптимальных дифференциаторов для алгоритма обнаружения локально ориентированных текстур // Компьютерная оптика. – 2012. – Т. 36, № 1. – С. 109–115. 
6. Грузман И.С., Карпушин В.Б. Синтез градиентных алгоритмов с минимальной систематической ошибкой оценивания поля направлений // Автометрия. – 2010. – Т. 46, № 1. – С. 2–11. 
7. Duda R.O., Hart P.E., Stork D.G. Pattern Classification. – New York: John Wiley & Sons, 2012. – 680 p. 
8. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. – М.: Финансы и статистика, 1989. – 607 с. 
9. Fu Z., Wang L. Color Image Segmentation Using Gaussian Mixture Model and EM Algo-rithm // Multimedia and Signal Processing: Second international conference, CMSP 2012, Shanghai, China, Dec. 7–9, 2012: Proceedings. – Berlin: Springer, 2012. – P. 61–66. – (Communications in Computer and Information Science; vol. 346). 
10. Farnoosh R., Zarpak B. Image Segmentation Using Gaussian Mixture Model // IUST Inter-national Journal of Engineering Science. – 2008. – Vol. 19, № 1-2. – P. 29–32. 
11. Ilea D.E., Whelan P.F. Color image segmentation using a self-initializing EM algorithm // Proceeding of the 6th International Conference on Visualization, Imaging and Image Processing, Palma de Mallorca, Spain, 28–30 Aug. 2006. – P. 417–424. 
12. Крамер Г. Математические методы статистики. – М.: Мир, 1975. – 648 с. 
13. Грузман И.С. Оценка эффективности алгоритма сегментации на основе градиентного структурного тензора // Известия вузов России. Радиоэлектроника. – 2012. – № 2. – С. 22–29. 
14. Otsu N. A Threshold Selection Method from Gray-level Histograms // IEEE Transactions on Systems. – 1979. – Vol. SMC-9, № 1. – P. 62–66. 
15. Грузман И.С. Автоматический выбор порогов для сегментации изображений на осно- ве градиентных структурных тензоров // Доклады Академии наук высшей школы Российской Федерации. – 2013. – № 2 (21). – С. 67–75.