Регуляризация скелета по Тихонову
В фундаментальном смысле [80] устойчивость скелета эквивалентна непрерывности оператора скелетизации, который по фигуре строит ее скелет. Скелетный оператор должен получать на вход одну фигуру и строить устойчивый вид скелета, который при незначительных изменениях фигуры меняется незначительно.
Скелет, полученный с помощью оператора устойчив на паре метрических пространствс расстояниямии, если для всякогосуществует такое, что для любых двух фигуриз неравенстваследует неравенство, где,.
Оператор построения непрерывного скелета неустойчив на паре метрических пространств, представляющих собой соответственно пространство фигур и скелетных графов с расстояниями:– расстояние Хаусдорфа,– топологическое расстояние (например, разность числа ребер скелетных графов).
Рассмотрим пример простейшего устойчивого оператора скелетизации. Назовем оператором выделения линейного скелета такой оператор, который по заданной фигуреF строит скелетный граф, являющегося подграфом и представляющий собой непрерывную цепочку ребер максимальной длины:(рис.6.1.42в). Оператор выделения линейного скелета устойчив на паре метрических пространствс расстояниямии.
К сожалению, оператор выделения линейного скелета не несет достаточной информации о форме для для сравнения фигур, хотя и может быть использован как некий численный признак фигуры. Исходный операторнеустойчив, что делает его для задач сравнения формы также непригодным. Значит, необходимо найти какой-то промежуточный скелетный оператор (рис.6.1.42б) между неустойчивым, содержащим в себе «лишнюю» информацию(рис.6.1.42а) и устойчивым, но содержащим в себе мало информации (рис.6.1.42в). Для этого используется регуляризация по Тихонову [74].
@Рис. 6.1.42: Регуляризация скелета: а – непрерывный скелет; б – промежуточный скелет; в – устойчивое решение.
Как известно, с каждой точкой скелета можно связать радиус максимального пустого круга, центром которого данная точка является, то есть задать гранично-скелетное представление фигуры. По такому представлению можно однозначно восстанавливать исходную фигуру. Это дает возможность определить обратный оператор скелетизации: .
Функционал
называется функционалом Тихонова для задачи , где– планарный скелетный граф,– результат действия устойчивого однореберного скелетного оператора,– топологическая мера сходства скелетов,– расстояние Хаусдорфа.
Таким образом, задач регуляризации скелета сожет быть математически строго описана как задача минимизации указанного тихоновского функционала
При малых значениях параметра решение этой задачи близко к исходной некорректной задаче. При большихрешение устойчивое, но находится дальше от исходной задачи. Приближенный скелет, найденный как минимум функции, будет зависеть от параметра.
Общее решение этой задачи до сих пор неизвестно. Однако в [73] была предложена (но не доказана) достаточно правдоподобная гипотеза о полноте системы функций ,,, устраняющих нерегулярности описанных выше трёх типов. Она заключается в том, что для любой фигурыи заданногонайдутся такие параметры,,, что решениезадачи минимизации тихоновского функционала может быть найдено как комбинация функций, устраняющих нерегулярности трех типов с точностями,,соответственно:
Для фиксированной пары фигур можно упростить фундаментальную постановку регуляризации скелета в терминах «подгонки скелетов».
Для заданных двух фигур инайти в некотором смысле наилучшие скелеты фигури, близкие в некоторой метрике к непрерывным скелетам фигури. То есть построитьрегуляризирущий оператор на основе двух фиксированных фигур . Решение похожей задачи без учета нерегулярности с цикламиприведено в работе [341], где поставлена и решена задача поиска аппроксимирующих фигур с изоморфными скелетами. Например, наилучшими скелетами можно считать изоморфные скелеты некоторых двух фигур, близких по расстоянию Хаусдорфа к исходным и:.
- «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.