Компьютерная обработка и распознавание изображений - 163 стр.

UptoLike

ВУЗ: 

Университет ИТМО | Санкт-Петербург

Составители: 

Рубрика: 

163
при использовании меры Махаланобиса [84], описываемой следующим
уравнением:
[]
[]
22
ji
j,id
j,imd
σ+σ
= , (9.53)
где
[]
jid ,
определяется в соответствии с формулой (9.52.);
2
i
σ ,
2
j
σ -
дисперсии плотностей распределения RGB компонентов кластеров i, j
соответственно.
Рассмотренный метод автоматической классификации цветных
текстурных изображений является синтезом метода квантования
гистограмм и метода кластеризации по К-внутригрупповым средним.
Такой синтез методов позволяет, не делая предположений о законах
распределения кластеров, на основании информации, содержащейся в
изображении, получить более гибкую форму кластера. При
автоматической сегментации цветных текстурных изображений на первом
шаге выполняется сегментация по гистограмме распределения тонового
компонента для сокращения времени выполнения разбиения. На втором
шаге выполняется алгоритм кластеризации по методу К-внутригрупповых
средних по критерию минимальной удаленности элемента изображения от
центра кластера в пространстве RGB. На третьем шаге для каждого
кластера производится
селекция связных компонентов с целью
уменьшения ошибок при выборе порогов по гистограммам распределений
компонентов с учетом пространственных характеристик кластера. В
выборку включаются только те связные области кластера, которые
превышают некоторый заданный размер области. Вычисляются
гистограммы распределения компонентов R, G, B.
Определяются пороги квантования и производится дополнительное
разбиение кластеров. На четвертом шаге для доопределенного
множества
кластеров производится кластеризация элементов изображения по методу
К-внутригрупповых средних. На пятом шаге выполняется алгоритм
иерархического объединения кластеров по критерию минимума меры
Махаланобиса. На шестом шаге выполняется объединение кластеров.
Предложенный алгоритм обладает следующими преимуществами. Он
учитывает как пространственные, так и цветовые характеристики
изображения. Количество кластеров не является предопределенным, а
вычисляется в процессе обработки в соответствии с информацией,
содержащейся в обрабатываемом изображении. Определение границы
сегмента производится с точностью до элемента растра в отличие от
фрагментарных методов, при использовании которых точность
определения границы зависит от размера фрагмента. Алгоритм
обеспечивает сокращение пространства признаков с 16 миллионов до
нескольких десятков кластеров.

Страницы