Расширение-сжатие (простая морфология)
Расширениемназывается итеративно применяемый к бинарному изображению максимальный фильтр с квадратной апертурой размера 33 пикселя. Соответственносжатиемназывается итеративно применяемый минимальный фильтр с той же апертурой 33. Параметром, определяющим свойства фильтрации, при этом считаетсяколичество цикловсжатия и расширения.
Фильтрация типа расширение-сжатие может применяться для удаления слабого шума типа соль-перец, однако в этом качестве она уступает медианной фильтрации. Однако основная область применения таких фильтров – удаление сложных неслучайных искажений формы фигур. Не даром изначально такой прием фильтрации был предложен для выявления дефектов типа «разрывов» и «перемычек» металлических дорожек на изображениях печатных плат в задачах технического и технологического контроля.
Рассмотрим геометрический смысл операций расширения и сжатия на примере обработки искусственного изображения (рис. 3.2.31), на котором представлен прямоугольный объект, имеющий «дефекты формы» типа внутренних «дырок» и внешних «выступов». Попробуем средствами расширения-сжатия удалить эти дефекты формы объекта.
@Рис. 3.2.31. Изображение с «дефектами» типа «дырок» и «выступов»
Начнем с удаления внешних «выступов» формы. Для этого используется последовательность операций расширение-сжатие. На первом этапе этой процедуры выполняется операция расширения светлого фона (т.е. сжатия темного объекта) с таким числом циклов, которое полностью удаляет («съедает») внешние «выступы» формы. Однако внешний размер объекта при этом уменьшается, а внутренние дефекты, напротив, увеличиваются в размерах, в связи с чем после этого необходимо выполнить сжатие фона (т.е. расширение объекта) с тем же числом циклов. В результате выполнения обоих этапов операции расширения-сжатия внешние размеры и форма объекта оказываются полностью восстановлены, но внутренние дефекты формы сохраняются (рис. 3.2.32, 3.2.33).
@Рис. 3.2.32. Результат сжатия @Рис. 3.2.33. Результат расширения после
объекта сжатия объекта (удаление внешних
«выступов» формы)
Рассмотрим теперь аналогичную технику удаления внутренних дефектов формы («дырок»). Для этого используется обратный порядок операций: сжатие-расширение. На первом этапе этой процедуры выполняется операция сжатия фона (т.е. расширения объекта) необходимым числом циклов, которое удаляет («заращивает») внутренние «дыры» и «каналы». Однако внешний размер объекта при этом увеличивается, внешние дефекты, также увеличиваются в размерах, в связи с чем после этого необходимо выполнить расширение фона (сжатие объекта) с тем же числом циклов. В результате выполнения всей операции сжатия-расширения в целом размеры и внутренняя целостность объекта оказываются восстановлены, но внешние дефекты формы сохраняются (рис. 3.2.34, 3.2.35).
@Рис. 3.2.34. Результат расширения @Рис. 3.2.35. Результат сжатия после
объекта расширения объекта (удаление
внутренних «дырок» формы)
Для того чтобы устранить и внешние и внутренние дефекты формы в данном примере необходимо сначала применить к исходному изображению (рис. 3.5.1) расширение-сжатие, а затем к результату этой операции – сжатие-расширение с тем же числом циклов (рис. 3.2.36, 3.2.37).
@Рис. 3.2.36. Результат расширения- @Рис. 3.2.37. Результат сжатия-расширения
сжатия после расширения-сжатия (полное
восстановление формы)
Операции расширения-сжатия представляют собой простейший эвристический вариант операций математической морфологии(Серра), которая будет подробно рассматриваться в главе 6 данной книги.
- «Обработка изображений и распознавание образов» Визильтер Юрий Валентинович Методическое пособие-2010
- Раздел 2. Распознавание образов. 165
- 1.1. Задачи и приложения машинного зрения. Примеры практических приложений.
- Уровни и методы машинного зрения
- Растровое изображение Изображение как двумерный массив данных
- Алгебраические операции над изображениями
- Физическая природа изображений
- Изображения различных диапазонов длин волн
- Изображения различной физической природы
- Тип пикселя
- Возможности и особенности системыPisoft
- Базовые средства просмотра и анализа изображений и видеопоследовательностей
- Алгебра изображений
- Геометрические преобразования изображений
- Устройства оцифровки и ввода изображений
- Линейки и матрицы, сканеры и камеры
- Геометрия изображения
- Цифровые и аналоговые устройства
- Пространственное разрешение
- Программное обеспечение
- Обработка цветных изображений
- Цветовая модельRgb
- Цветовая модель hsv
- Цветовая модель yuv
- Цветовая сегментация изображения
- Гистограмма и гистограммная обработка изображений
- Профиль вдоль линии и анализ профиля
- Проекция и анализ проекции
- Бинаризация полутоновых изображений
- Сегментация многомодальных изображений
- Выделение и описание областей
- Выделение связных областей на бинарных изображениях
- 1. Отслеживающие алгоритмы на примере алгоритма обхода контура.
- 2. Сканируюющие алгоритмы.
- 1.3. Фильтрация. Выделение объектов при помощи фильтров
- Оконная фильтрация изображений в пространственной области
- Фильтрация бинарных изображений Модель шума «соль и перец»
- Структура оконного фильтра
- Логическая фильтрация помех
- Бинарная медианная фильтрация
- Бинарная ранговая фильтрация
- Взвешенные ранговые фильтры
- Анизотропная фильтрация
- Расширение-сжатие (простая морфология)
- Стирание бахромы
- Нелинейная фильтрация полутоновых изображений
- Ранговая оконная фильтрация
- Минимаксная фильтрация
- Задача выделения объектов интереса
- Бинарные фильтры для выделения объектов
- Метод нормализации фона
- Скользящее среднее в окне
- Гауссовская фильтрация
- Преобразование Фурье. Линейная фильтрация в частотной области
- Преобразование Фурье
- Комплексное представление преобразования Фурье
- Быстрое преобразование Фурье
- Двумерное преобразование Фурье
- Свертка с использованием преобразования Фурье
- Фильтрация изображений в частотной области
- Вейвлет-анализ
- Пирамида изображений
- Вейвлет-преобразование
- Операторы вычисления производных
- Операторы вычисления векторов градиентов
- Операторы Марра и Лапласа
- Постобработка контурного изображения Локализация края
- Утончение контура
- Сегментация полутоновых изображений
- Пороговая и мультипороговая сегментация
- Методы слияния, разбиения и слияния/разбиения областей
- Способы описания выделенных областей
- Текстурные признаки
- 1.6.Морфологические методы анализа сцен (по ю.П. Пытьеву) Методы обнаружения объектов, заданных эталонами
- Согласованная фильтрация.
- Корреляционное обнаружение.
- Морфологический подход ю.П. Пытьева.
- Форма изображения как инвариант преобразований изображений, отвечающих вариациям условий регистрации
- Сравнение изображений по форме
- Выделение отличий изображений по форме
- Обнаружение объекта по его изображению и оценка его координат
- *Морфология на базе кусочно-линейной интерполяции
- Преобразование Хафа для поиска прямых
- *Различные способы параметризации прямых
- Преобразование Хафа для поиска окружностей
- Анализ аккумулятора при поиске геометрических примитивов
- Обобщенное преобразование Хафа
- *Специализированная процедура голосования для поиска эллипсов
- *Рекуррентное преобразование Хафа в скользящем окне
- 1.8.Математическая морфология (по ж. Серра)
- Морфологические операции на бинарных изображениях
- Морфологические операции на полутоновых изображениях
- Морфологическое выделение «черт» и объектов
- Морфологический спектр
- Морфологические скелеты. Непрерывная бинарная морфология Непрерывная бинарная морфология
- Непрерывное гранично-скелетное представление изображения
- Обработка и использование скелета
- *Обобщенные скелетные представления бинарных фигур
- Алгоритмы утончения дискретного бинарного изображения
- *Регуляризация скелетов
- Типы нерегулярностей скелета
- Устранение нерегулярностей
- Регуляризация скелета по Тихонову
- *Селективные морфологии
- 1.9. Анализ движения. Выделение движущихся объектов. Разность кадров. Вычитание фона. Анализ оптических потоков. Слежение за движущимися объектами. Корреляционное слежение.
- Обучение с учителем. Детерминированные методы, основанные на «близости». Линейные решающие правила. Метод построения эталонов. Метод ближайшего соседа. Методkближайших соседей.
- Линейные решающие правила
- Метод построения эталонов
- Методы ближайших соседей
- Параметрические и непараметрические методы
- Дискриминантные и моделирующие методы обучения
- Способность распознавателя к обобщению. Регуляризация.
- Байесовская теория решений. Случай двух классов. Классификаторы, разделяющие функции и поверхности решений. Вероятности ошибок. Разделяющие функции для случая нормальной плотности.
- Дискриминантный анализ. Линейный дискриминант Фишера. Персептронная функция критерия. Линейный дискриминантный анализ (lda,дискриминант Фишера)
- Персептрон Розенблатта
- Анализ свидетельств
- Байесовское объединение свидетельств
- Структурное распознавание
- Автоматизированное конструирование алгоритмов обнаружения объектов на основе преобразований модельных описаний объектов.
- Нейросетевое распознавание
- Нейронные сети ассоциативной памяти. Сети Хопфилда.
- Многослойные персептроны. Оптимизационное обучение. Метод обратного распространения ошибки.
- Многослойные персептроны. Правило Хебба.
- *Связь с байесовским распознаванием
- Сети встречного распространения. Самоорганизующиеся сети.