Устранение нерегулярностей
Нерегулярности можно устранять на уровне исходных фигур или построенных скелетов [340], а также комбинируя эти два способа [79], [341]. Определим некоторые базовые процедуры устранения нерегулярностей скелета.
Устранение рудиментных терминальных рёбер
Устранение нерегулярности первого типа обычно представляет собой стрижку (удаление) терминальных рёбер скелета. Например, в работе [340] выполняется стрижка всех терминальных рёбер скелета. Большинство методов стрижки эвристические. Математически строгий метод – построение базового скелета с фиксированной точностью аппроксимации [79] (рис. 6.1.38). Обозначим – оператор, который строит базовый скелет с точностью.
@Рис. 6.1.38: Результаты устранения рудиментных терминальных ребер.
Устранение перехлёстов
В работе [341] описана проблема «перехлёста» в рамках задачи поиска аппроксимирующих фигур с изоморфными скелетами. Для ее решения предложено проводить удаление внутренних ребер скелетного графа – так называемую склейку ребер (рис. 6.1.39). Обозначим через оператор, который проводит склейку всех ребер скелета таким образом, что фигурадеформируется не более, чем на величинув метрике Хаусдорфа (то есть склейка с точностью).
@Рис. 6.1.39: Устранение внутренних коротких ребер.
Утранение циклов
Устранение циклов в топологическом смысле выполняется довольно просто: нужно разорвать этот цикл и удалить его часть из скелета. Но по метрическим критериям этого недостаточно. Например, слон с глазом-«дыркой» при разрыве цикла потеряет часть головы со стороны разрыва цикла (рис. 6.1.40). С другой стороны, появление мелких отверстий в дискретной фигуре за счёт шумов – это обычное дело. Можно выполнять регуляризацию на уровне фигуры, для чего использовать диаметры дыр. Необходимо выставить порог по диаметру «дырки» и удалить контуры, окружающие мелкие отверстия, что устранит указанную нерегулярность (рис. 6.1.41). Обозначим через оператор, который удаляет все «дырки» фигуры таким образом, что фигурадеформируется не более, чем на величинув метрике Хаусдорфа (устранение циклов с точностью ).
@Рис. 6.1.40: Устранение циклов как преобразование скелета: a-б – скелет с циклом и фигура; в – удаление цикла; г – потеря части головы.
@Рис. 6.1.41: Устранение циклов как преобразование фигуры: a-б – скелет с циклом и фигура; в – преобразование фигуры; г – скелет без цикла.
Задача классификации циклов на значимость непроста, так как непосредственно по скелету определить, насколько цикл значим, не очень просто. Нужно учитывать не только саму протяжённость этого цикла, но и функцию ширины (размеры кругов). Низкая алгоритмическая эффективность существующих методов работы с циклами скелета [31] добавляет трудность проведения практических исследований данного вопроса.
- «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.