Морфологические скелеты. Непрерывная бинарная морфология Непрерывная бинарная морфология
Следуя описанию непрерывной бинарной морфологии, данному Л.М. Местецким [31], примем следующие определения.
Жордановой кривой называется непрерывный инъективный образ окружности при отображении его в евклидову плоскость P=R2. Здесь R – множество действительных чисел. Важно, что жорданова кривая не имеет самопересечений. Фигурой называется связная замкнутая область плоскости, ограниченная конечным числом неперсекающихся жордановых кривых. Пусть P – евклидова плоскость с соответствующим расстоянием d(p,q), p,qP. Тогда граница фигуры A определяется как множество точек
A = {p: pP, r>0, D(p,r) A ,
D(p,r) AC },
где AC = P \ A – дополнение или фон фигуры A; D(p,r) – открытый круг радиуса r с центром в точке p, определяемый выражением
D(p,r) = {q: qP, d(p,q) < rR}.
Пустым или вписанным кругом фигуры A называется круг D(p,r) A. Максимальным пустым кругом называется пустой круг, который не содержится целиком ни в одном другом пустом круге данной фигуры. Скелетом S(A) фигуры A называется множество центров всех ее максимальных пустых кругов. Радиальной или дистанционной функцией точки pP для фигуры A называется максимальная величина радиуса пустого круга с центром в данной точке:
rA(p) = { - : pAC; 0: pA;
argmaxrR {||D(p,r)||:D(p,r)A}: pA}.
Скелетным представлением фигуры является совокупность ее скелета и радиальной функции, определенной в точках скелета
SR(A) = {<p, rA(p)>: pS(A)}.
Реконструкция фигуры по скелетному представлению в точности совпадает с самой фигурой (рис. 6.1.24):
SR(A) = <p,r>SR(A) {D(p,r)} = A.
@Рис. 6.1.24. Прямоугольник и его реконструкция по скелетному представлению.
Веденные таким образом элементы непрерывной бинарной морфологии полностью аналогичны введенным выше элементам общей монотонной бинарной морфологии, однако как показано в [31], скелеты фигур являются в данном случае непрерывными связными планарными графами. Более того, для фигур, ограниченных многоугольниками с конечным числом сторон, скелет оказывается состоящим из конечного числа отрезков аналитических кривых всего двух видов: прямых и парабол. Поэтому для построения непрерывных скелетов существуют вычислительно эффективные алгоритмы [31], основанные на использовании обобщенных диаграмм Вороного.
Классическая диаграмма Вороного для заданного двумерного точечного множества A определяется как кусочно-линейный граф, задающий разбиение плоскости на замкнутые непересекающиеся ячейки Вороного (множества точек) Ti, каждая из которых содержит все точки плоскости, для которых ближайшей точкой множества A в смысле заданной метрики d является одна и та же точка pi:
Ti = {p: pP, piA,pjA, pjpi, d(pi,p) < d(pj,p)}.
Соответствующая точка pi является для ячейки Ti центром притяжения или сайтом.
В обобщенной диаграмме Вороного в качестве сайтов (центров притяжения) могут рассматриваться не только отдельные точки, но и фигуры (множества точек), например, непрерывные сегменты линий границы. В частности граница многоугольной фигуры представляется в виде (циклически) упорядоченного множества сайтов двух типов: сайтов-точек и сайтов-сегментов. Сайт-точка и сайт-сегмент, имеющие непустое пересечение, называются соседними сайтами. Сайт-точка считается ближайшим сайтом для некоторой точки p, если он является ближайшей точкой границы A к данной точке p. Сайт-сегмент считается ближайшим сайтом для некоторой точки p, если он включает ближайшую точку границы A к данной точке p, причем эта ближайшая точка является ортогональной проекцией точки p на прямую, содержащую данный сайт. Ячейкой Вороного для данного сайта границы является множество точек плоскости, для которых данный сайт является ближайшим.
Сайты называются смежными, если их ячейки Вороного имеют общую невырожденную границу (более одной общей точки). Бисектором пары сайтов называется линия, являющаяся общей границей ячеек двух смежных сайтов. Диаграммой Вороного V(A) многоугольной фигуры A называется объединение бисекторов всех ее сайтов.
Как показано в [31], скелет многоугольной фигуры является подмножеством диаграммы Вороного этой фигуры: S(A) V(A). При этом скелет включает только бисекторы сайтов, не являющихся соседними.
а) б) в)
@Рис. 6.1.25. Построение непрерывного скелета многоугольной фигуры: а) исходное растровое изображение, б) контур-многоугольник, в) скелет.
а) б) в)
@Рис. 6.1.26. Построение непрерывного скелета многоугольной фигуры: а) исходное растровое изображение, б) контур-многоугольник, в) скелет.
С другой стороны, в [31] также отмечено, что в непрерывном случае скелет фигуры можно определить как множество точек сингулярности (разрыва непрерывности производной) дистанционной функции rA(p). При этом легко убедиться, что для многоугольной фигуры функция rA(p) непрерывна внутри ячеек диаграммы Вороного. Более того, поскольку центры притяжения (сайты) имеют вид отрезков прямых и точек, то двумерная функция rA(p) внутри соответствующих ячеек Вороного однозначно описывается уравнениями наклонных плоскостей (для сайтов-сегментов) и конусов (расстояние до сайтов-точек). Таким образом, как только вычислена диаграмма Вороного многоугольной фигуры V(A), можно считать, что также известна и кусочно-гладкая дистанционная функция rA(p).
- «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.