автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Разработка и исследование методов сегментации изображений на основе многомерных цепей Маркова

На правах рукописи

КУРБАТОВА ЕКАТЕРИНА ЕВГЕНЬЕВНА

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОМЕРНЫХ ЦЕПЕЙ МАРКОВА

05.12.04 - Радиотехника, в том числе системы и устройства телевидения

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

П

т

I

005059133

Киров 2013

005059133

Работа выполнена на кафедре радиоэлектронных средств ФГБОУ ВПО «Вятский государственный университет»

Научный руководитель: доктор технических наук, доцент

Медведева Елена Викторовна

Официальные оппоненты: доктор технических наук, профессор

Гребенко Юрий Александрович

доктор технических наук, профессор Чобану Михаил Константинович

Ведущая организация: ФГБОУ ВПО «Рязанский государственный

радиотехнический университет»

Защита состоится 31.05.2013 на заседании диссертационного совета Д 212.131.01 при ФГБОУ ВПО «Московский государственный технический университет радиотехники, электроники и автоматики» по адресу: 119454, г. Москва, просп. Вернадского, д.78.

С диссертацией можно ознакомиться в библиотеке МГТУ МИРЭА. Текст автореферата разослан «<?<?» ОУ_2013 г.

Ученый секретарь диссертационного совета, Д212.131.01, к.т.н., профессор

А.И. Стариковский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Наблюдаемое в настоящее время бурное развитие систем автоматической обработки изображений требует применения новейших методов обработки, включая предварительную обработку изображений. К методам, используемых в таких системах, предъявляются требования по степени автоматизации, качеству и, особенно, скорости обработки, т.к. большинство таких систем работают в режиме реального времени. Разработка эффективных методов предварительной обработки изображений является актуальной проблемой, которая способствует появлению более совершенных систем мониторинга, охранного телевидения, видеонаблюдения, медико-биологических и других систем.

Предварительным этапом любой системы анализа и обработки изображений является сегментация изображений. Она позволяет оперативно выделить интересующие объекты на изображении от фона и других объектов, определить размер, форму, положение объекта, преобразовать изображение к виду, удобному для дальнейшей обработки автоматическими системами и эффективного решения задач более высокого уровня, таких как распознавание образов и анализ сцен. Неточная, недостаточная или избыточная сегментация может привести к возникновению ошибок на следующих этапах обработки изображения.

Большой вклад в развитие методов предварительной обработки изображений внесли российские и зарубежные ученые: Журавлев Ю.И., БакутП.А., Потапов A.A., Сойфер В.А., Алпатов Б.А., Canny J.F., Pratt W.K., Prewitt J.P., Sobel I.E., Kirche R.A., Roberts L.G. и др.

Во всем многообразии существующих методов сегментации обычно реализуются два подхода. Первый подход заключается в выделении контуров объектов интереса на изображении и последующем заполнении выделенных и относящихся к объектам интереса сегментов (методы контурной сегментации). В большинстве методов сегментации данной группы обеспечение точного выделения контуров объектов интереса на цифровых полутоновых изображениях (ЦПИ) в силу многомерности сигналов и многообразия сцен, отличающихся по своим характеристикам, требует увеличения размерности и количества масок для обработки ЦПИ, точного расчета порога, дополнительных преобразований и т.п., что приводит к большим вычислительным затратам.

Второй подход к решению задачи сегментации заключается в анализе соседних точек изображения по степени однородности некоторого признака (методы на основе поиска однородных или текстурных областей). Многие методы сегментации данной группы учитывают пространственное расположение элементов изображения, для этого анализируются свойства некоторой области. При этом требуется многократная обработка каждого элемента изображения, что приводит к увеличению вычислительных ресурсов в несколько раз по сравнению с контурными методами.

Задача выделения контуров объектов интереса усложняется еще в большей степени, если необходимо оперативно обработать изображение после передачи его по зашумленному радиоканалу. Для восстановления изображений, искаженных шумом, на приемной стороне должны быть применены алгоритмы, наиболее полно реализующие большую статистическую избыточность изображений.

Поэтому разработка новых или усовершенствование известных методов сегментации, позволяющих точно выделить границы интересующих объектов минимальными вычислительными ресурсами, является актуальной задачей.

Перспективным решением при обработке изображений является использование в качестве математических моделей, адекватных реальным изображениям, многомерных цепей Маркова с несколькими состояниями. Однако, при обработке изображений, представляющих собой полутоновые (или цветные) изображения с числом уровней яркости 2* возникает проблема хранения в памяти и оперирования с матрицами вероятностей переходов размерностью 2' х 2е. Такая обработка изображений требует больших вычислительных ресурсов. Представление g-разрядных ЦПИ g разрядными двоичными изображениями (РДИ), позволило снизить вычислительные ресурсы за счет оперирования с матрицами вероятностей переходов размером 2x2.

Целью диссертационной работы является разработка на основе теории условных марковских процессов методов контурной и текстурной сегментации оригинальных и зашумленных изображений, позволяющих повысить эффективность видеоинформационных систем обработки.

Объектом исследования являются методы контурной и текстурной сегментации цифровых полутоновых и цветных изображений.

Предметом исследования является разработка методов контурной и текстурной сегментации изображений на основе многомерных цепей Маркова.

Задачи диссертационной работы:

1. Анализ характеристик известных методов сегментации изображений, позволяющий оценить эффективность выделения интересующих объектов.

2. Разработка метода сегментации цифровых полутоновых и цветных изображений на основе двумерной цепи Маркова и выделения контуров объектов интереса по вычисленной величине количества информации, реализация которого достигается меньшими вычислительными ресурсами, чем известными алгоритмами.

3. Разработка метода удаления точечных помех, основанного на вычислении количества информации по четырем соседним элементам, позволяющего снизить процент ложных контуров.

4. Разработка комбинированного метода сегментации изображений, зашумленных белым гауссовским шумом (БГШ), сочетающего нелинейную фильтрацию ЦПИ на первом этапе и выделение контуров объектов интереса - на втором.

5. Исследование и анализ эффективности разработанного метода выделения контуров на оригинальных и зашумленных ЦПИ.

6. Разработка метода текстурной сегментации цифровых полутоновых и цветных изображений, использующего в качестве текстурного признака оценку средней вероятности перехода в двумерной цепи Маркова и анализ качества его работы.

Методы исследования. При решении поставленных задач использовались методы теории условных марковских процессов, теории информации, математического моделирования, теории вероятностей и математической статистики. Экспериментальная часть исследования основывалась на обработке цифровых изображений с помощью ЭВМ. Для программной реализации разработанного алгоритма

использовались методы создания программных систем и программирование на языках высокого уровня, моделирование с помощью специализированных пакетов обработки изображений.

На защиту выносятся следующие основные научные положения:

1. Систематизация и анализ известных методов сегментации изображений позволяет оценить их эффективность.

2. Метод сегментации цифровых полутоновых и цветных изображений на основе двумерных цепей Маркова позволяет точно выделить контуры объектов интереса меньшими вычислительными ресурсами, чем известными методами.

3. Метод удаления точечных помех позволяет удалить 1-2 элемента другой яркости на РДИ и снизить процент ложных контуров.

4. Комбинированный метод сегментации позволяет восстановить зашумлен-ное изображение нелинейным фильтром и выделить контуры объектов с точностью, превышающей известные методы.

5. Результаты количественного и качественного анализа методов выделения контуров на оригинальных и зашумленных изображениях позволяют оценить эффективность их работы.

6. Метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна позволяет выделить области разных текстур небольшими вычислительными ресурсами.

Научная новизна полученных результатов состоит в следующем:

1. Разработан новый метод сегментации ЦПИ на основе двумерной цепи Маркова, позволяющий выделить контуры объектов интереса с высокой точностью и меньшими вычислительными ресурсами, чем известные методы (Капни, Лапласиан гауссиана, Робертса, Превитта, Собела).

2. Разработан метод удаления точечных помех на основе многомерной цепи Маркова, позволяющий повысить качество сегментации ЦПИ за счет снижения процента ложных контуров.

3. Разработан метод сегментации цветных изображений в системе RGB, позволяющий эффективно выделить объекты заданного цвета и не уступающий по эффективности методу К-средних.

4. Разработан комбинированный метод сегментации ЦПИ, позволяющий выделить контуры объектов интереса на зашумленных ЦПИ при отношениях сигнал/шум на входе приемного устройства до - 9 дБ.

5. Разработан новый метод текстурной сегментации, позволяющий выделить области с разными статистическими характеристиками на полутоновых и цветных изображениях с высокой точностью и небольшими вычислительными ресурсами.

Практическая ценность полученных результатов заключается в том, что разработанные методы позволяют эффективно выделить объекты интереса в системах мониторинга и видеонаблюдения, охранного телевидения, медицинских системах за счет точного выделения контуров объектов интереса и текстурных областей, в том числе и в условиях действия БГШ. Разработанные методы требуют для реализации небольших вычислительных ресурсов, что позволяет обрабатывать изображения в реальном масштабе времени.

Часть результатов, выносимых на защиту, была получена автором в рамках реализации федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы (соглашение №14.В37.21.0628), а также в ходе выполнения НИР по программе стратегического развития ПСР 2.4.1-12 "Разработка программного приложения алгоритмов фильтрации и сегментации изображений в видеоинформационных системах" в ВятГУ.

Для подтверждения достоверности теоретических положений проведено цифровое моделирование, проверена устойчивость полученных алгоритмов к точности априорных данных. Получено свидетельство на программный продукт, зарегистрированное в Реестре программ для ЭВМ.

Результаты работы внедрены: в перспективные разработки программно-аппаратных средств автоматизированных систем обработки видеоинформации (ФГУП «НИИ СВТ»); в состав комплекта прототипа системы обработки и распознавания цифровых изображений (ЗАО НЛП «Знак»); в учебный процесс на кафедре радиоэлектронных средств Вятского государственного университета.

Апробация работы

Материалы диссертационной работы докладывались и обсуждались на 13 конференциях: 13, 14-й Международной конференции и Выставке «Цифровая обработка сигналов и ее применение» (Москва, 2011-2012 г.); 10-й Международной конференции «Распознавание образов и анализ изображений» (С.-Петербург, 2009 г.); Петом Белорусском космическом конгрессе (Минск, 2011г.); 4-ом Отраслевом НТК-форуме «Технологии информационного общества» (Москва, 2010 г.); XIV-XVIIМНТК «Радиолокация, навигация, связь» (Воронеж, 2010 г.); IX МНТК «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2010 г.); 10-й МНТК «Физика и технические приложения волновых процессов» (Самара, 2011 г.); 67-й всероссийской конференции с международным участием «Научная сессия, посвященная Дню радио» (Москва, 2012 г.); всероссийском форуме «Информационные технологии в мире коммуникаций» (Москва, 2012 г.); Всероссийской НТК «Общество, наука, инновации» (Киров, 2010-2012 г.).

Публикации. По теме диссертации опубликовано 20 работ. Из них 7 статей в журналах, рекомендованных ВАК, 12 статей и тезисов докладов научно-технических конференций, 1 свидетельство о регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изложена на 140 страницах машинописного текста, содержит 45 рисунков и 5 таблиц, список использованной литературы состоит из 91 наименования.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении определяется научная проблематика и обосновывается ее актуальность. Дается краткая характеристика современных методов сегментации изображений. Определены цель и задачи работы. Сформулированы основные научные результаты, выносимые на защиту, указана их научная новизна и практическая значимость.

В первой главе проведена систематизация известных методов сегментации, в соответствии с которой все методы разбиты на две группы: методы на основе выделения контуров и методы на основе поиска однородных (текстурных) областей.

Выполнен анализ характеристик известных и новых методов сегментации, который позволяет оценить их эффективность.

Во второй главе разработан метод сегментации цифровых полутоновых и цветных изображений на основе выделения контуров.

Предполагается, что ЦПИ представлены g -разрядными двоичными числами, образуют многомерную цепь Маркова с состояниями и матрицами вероятностей переходов размером 28х2г, а РДИ (битовые плоскости), на которые разбиваются ЦПИ, являются двумерной цепью Маркова с двумя равновероятными состояниями Л/}'' и М^ и матрицами вероятностей переходов вида:

•П<» =

яу *

я},

ЯУ "

Яг

»Я-1" 2яЩ _

2П(,)= 11 11 / = 1г

|| 21 "И ||

К"

Рис. 1

Тогда количество информации в элементе РДИ уР (рис. 1) относительно элементов ближайшей окрестности Д'^ = определится выражением

>_V_!_I_1_!_

и>(уМ|у<'>,у<'>) '

где и>(уз''|у'''), >у(уз''|у2') - одномерные плотности вероятностей перехода между соседними значениями; и^у^у^.у,'^) - плотность вероятности перехода в двумерной цепи Маркова, которую можно выразить в форме

4?К)= t =М«)х5(у« -М?)з{у? -О (2)

где - дельта функция.

Для элементов I -го РДИ количество информации между элементом У3 и различными сочетаниями значений элементов окрестности Л^' можно определить по формулам:

ч 1—0)1—(О

4

/(у

4

= мЯ[

1 _(0 2 —(О я)'

(3)

1-0) 2 _(/)

где Зяи, г, У = 1,2, у, элементы матрицы 3П='П-2П НРл'я'Ц

Количество информация в элементе РДИ будет минимально, если окрестные элементы v/'', v^ имеют состояния, одинаковые с В случае появления на РДИ областей другой яркости, на границе области один или два окрестных элементов будут иметь разные с v^ состояния, и количество информации в элементе увеличивается. Сравнивая значение вычисленной величины количества информации в элементе изображения Vj'' с порогом h, можно определить принадлежность данной точки контуру.

Значение порога h вычисляют для каждого РДИ с учетом вычисленного минимального количества информации и количества информации при смене состояния любого из элементов окрестности:

/(v3"> = Л/ЯН0 = = /(v<'> = Mñv? = M/",v« = Mf) h=---. (4)

Для восьмиразрядного ЦПИ, представленного 256 уровнями яркости, старшему РДИ соответствуют 128 уровней яркости. Поэтому по старшему РДИ ЦПИ можно выделить все светлые области с яркостью от 128 до 255 на темном фоне, либо, наоборот, все темные объекты - на фоне с яркостью выше 128. Для выделения менее контрастных областей или объектов с нечетко выраженными границами необходимо выделить контуры на следующих РДИ (7-м, 6-м или 5-м). Контурное изображение в этом случае будет представлять сумму контурных изображений нескольких РДИ.

VM Для улучшения контурного изображения

разработан метод удаления точечных помех, основанный на вычислении количества информа-

4V

.0

3 ции в элементе относительно четырех окре-

стных элементов Л^

(рис. 2). В этом случае количество информации определится выражением вида

где н^'К0), »=1,4 - одномерные плотности вероятностей переходов; ^у^'К'^у''')» ' = У = ; 1 * 7 - плотности вероятностей переходов в двумерной цепи Маркова; и^у^уЯ.у'^.у^), » = у=Л = 1,4; / *- плотности вероятно-

го

Рис.2

г

= -log

стей переходов в трехмерной цепи Маркова; - плотность ве-

роятности переходов в четырехмерной цепи Маркова.

Для удаления точечных помех значения вычисленной величины количества информации в элементе изображения сравнивают с порогом h':

М =Л/,И" =уИ =М„у<" = у<" = M2)+/(v<" = A/„v<" = v« =v<" =Мг)

h ----. (Ь)

Если количество информации в элементе изображения будет больше порога, то состояние элемента v^' меняется на противоположное.

Оценка качества разработанных методов осуществляется на основе трех количественных критериев. Критерий FOM (Figure of Merit) соответствует эмпирическому расстоянию между идеальным контурным изображением, представленным в виде контуров f и контурами, полученными в результате сегментации g:

1 cardlg) 1

FOM(f,g) =-——-——• £ —-j—, (7)

max {card(f),card(g)} l + d(i)

где card(f) - количество пикселей в множестве /, card(g) - количество пикселей

в множестве g, d(i) - расстояние между i'-м пикселем / и ближайшем к нему

пикселем g.

Критерий RMS (root mean squared error) представляет собой среднеквадратичную ошибку:

RMS(f,g) =

1

card(X) xsX

Z (/M-s(*))2

(8)

где f(x), g(x) - интенсивность пикселей x в ft и gt, X — множество пикселей на сегментируемом изображении.

Критерий относительной несвязности контура, определяет замкнутость контура:

* = (9)

card(g)

где N — количество несвязных элементов контура и элементов со связностью 1; card(g) - общее количество элементов контура.

В таблице 1 приведены усредненные оценки критериев, полученные для тестовых ЦПИ, для разработанного и известных методов сегментации. Для методов Робертса, Превитга и Собела выбран порог равный 0,1. Для метода Канни пороги равны 0,03 и 0,015, для метода Лапласиана гауссиана используется порог 0,002.

_Таблица 1

Критерий Разработанный метод Оператор Робертса Оператор Превитга Оператор Собела Метод Канни Лапласиан гауссиана

FOM 0,1574 0,1488 0,1390 0,1387 0,1141 0,1200

RMS 0,2877 0,2895 0,2806 0,2850 0,4105 0,3791

Е 0 0,3285 0,2245 0,2173 0,1143 0,0637

Разработанный метод по критерию FOM превышает известные методы на 6-38%, а по критерию RMS незначительно уступает методам Превюта и Собела. Кроме того, полученные в результате сегментации контуры всегда являются замкнутыми, что подтверждается критерием Е (равен нулю для всех тестируемых изображений).

Врв"я о На рис. 3 представлена зависимость

«i-1-1-1-1-1-1-1-пд

времени выделения контуров разными методами от размерности изображения: (1) -разработанный метод; (2) - Лапласиан га-уссиана; (3) - методы Робертса, Превитта и Собела; (4) - метод Канни.

Разработанный метод обеспечивает самую высокую скорость обработки изображения. При обработке изображений больших размеров разработанный метод

25 145 265 385 505 625 745 865 985 ДаеХ ВЫИГРЫШ В 5,7 - 19,7 ОЭЗ ПО СраВНв"

Тыс. пкс

в «»бра»».™ нию с известными методами.

Рис. 3

Разработанный метод удаления точечных помех позволяет повысить качество сегментации по критерию FOM на 11%, по критерию RMS на 16% при сохранении замкнутости контуров (таблица 2).

Таблица 2

_ J 1 1 'I 1 lili III! 1 Т". П I / 1 l-lo L _1 L _b/L J u /^ i i i _L

— 1 1/1 1 l/l 1 U J / -1 J- -1 1 /| 1 1 /III I-/I---1---1--J--- / 1 I I 4o i i l ---1--t-—-fc.-^-H 1— 1 1 X 1 ^ !-

i —h-

Критерий Без удаления помех После удаления помех

FOM 0,1574 0,1749

RMS 0,2877 0,2403

E 0 0

Для дальнейшего выделения областей интереса (сегментации) в работе применяется построчный алгоритм заполнения с затравкой, который дает существенный выигрыш в объеме памяти и времени обработки за счет хранения только одного затравочного элемента для каждого заполняемого участка.

На рис. 4 показан пример сегментации тестового ЦПИ по старшему РДИ. На рис. 4а приведено исходное ЦПИ; (б) - старшее РДИ, по которому осуществляется сегментация; (в) - идеальное контурное изображение; (г, д) - контурное изображение, полученное разработанным методом до и после удаления точечных помех; (е) - результат сегментации ЦПИ.

Цветное изображение RGB может быть представлено набором из трех ЦПИ, к каждому из которых может быть применен разработанный метод выделения контуров. Затем три контурных изображения объединяют в одно контурное изображение и выполняют заполнение сегментов.

Для улучшения качества сегментации вводится этап предварительной нормировки цветного изображения с целью выравнивания яркости цветовых компонент.

В третьей главе разработан комбинированный метод выделения контуров на зашумленных изображениях.

На первом этапе для эффективной фильтрации изображения от шума, используя аппроксимацию РДИ двумерной цепью Маркова с двумя равновероятными состояниями М[1), М^ и матрицами вероятностей переходов по горизонтали

и вертикали РДИ 'П^ и предлагается использовать алгоритм двумерной

нелинейной фильтрации:

р(м' И)

где uK'l = ln—)--—"y - логарифм отношения апостериорных вероятностей

V ' p(M2(v«))

состояния фильтруемого элемента v^ /-го РДИ; [/"(м, (v^ )) - /(л/2 (v^))] - разность логарифмов функций правдоподобия состояний элемента vj'*;

где '4')(i,y=l,2;r = l,3) - элементы матриц "П10, 2П(,) и 3П(,) = 'П*'* • 2П(,).

Решение о переданном состоянии элемента /-го РДИ выносится на основе сравнения j с порогом, выбранным в соответствии с критерием идеального наблюдателя:

(12)

Алгоритм фильтрации ЦПИ содержит g уравнений фильтрации (10) и решающих правил (12).

На втором этапе после фильтрации, получив более точные оценки состояний элементов / -го РДИ, с учетом вероятностей переходов между элементами, выделяют контуры объектов интереса.

На рис. 5 показан пример сегментации зашумленного ЦПИ при ЗдБ. На рис.5а приведено исходное ЦПИ; (б) - зашумленное БГШ; (в) - отфильтрованное;

(г) — контурное, полученное разработанным методом по незашумленному ЦПИ;

(д)- результат сегментации незашумленного ЦПИ; (е) - зашумленного ЦПИ. Сегментация выполнена по двум старшим РДИ ЦПИ.

Рис. 5

Из анализа изображений (рис. 5) следует, что комбинированный метод выделения контуров позволяет эффективно выделить объекты интереса на сильно за-щумленных изображениях.

На рис. 6 приведены усредненные графики критериев FOM (а) и RMS (б) для разработанного и известных методов выделения контуров при разных отношениях сигнал/шум р^. На рис. 6 а,б приняты обозначения: (1) - разработанный метод; (2) - Лапласиан гауссиана; (3) - Канни.

FOM RMS

0,2 0,15

0,1

3

Рис.

Разработанный метод по критерию FOM при -9 дБ < 3 дБ превышает известные методы на 33...49%, а по критерию RMS на 18...29%,. Критерий Е при всех отношениях сигнал/шум для разработанного метода равен 0.

В четвертой главе разработан метод текстурной сегментации полутоновых и цветных изображений. В качестве математической модели ЦПИ используется модель, основанная на двумерных цепях Маркова.

В данной работе под текстурой понимается область изображения, которая имеет однородные статистические характеристики в пределах области, и отличающаяся по своим статистическим характеристикам от соседних областей. В качестве текстурной характеристики предполагается использовать оценку вероятности перехода в двумерной цепи Маркова.

Для вычисления текстурной характеристики в каждом элементе изображения предлагается использовать метод «сканирующего окна». Окно последовательно накладывается на все элементы РДИ, при этом вычисление статистических характеристик осуществляется только в той области, которая на данном шаге покрывается областью окна.

Для первой строки вычисляется оценка средней вероятности перехода по горизонтали 1-го РДИ ЦПИ по формуле

4^ = 1—(13)

где х^ - оценка средней длины последовательности одинаковых элементов /-го разряда на г -м шаге уточнения оценки.

Начиная со второй строки РДИ, используя множество элементов у= |у!'' .Уз'1 .у!,''} и ранее вычисленную оценку 1л¡Р вероятности переходов по

горизонтали, вычисляются оценки и

= (14)

"и

Усредняя оценки вероятностей переходов в пределах окна, вычисляется оценка средней вероятности перехода лЦ} для элемента, соответствующего центральному элементу окна:

(15)

где тип— ширина и высота сканирующего окна.

На каждом последующем шаге окно перемещается на один элемент (слева-направо, сверху-вниз) и вычисляется оценка средней вероятности перехода для каждого элемента РДИ.

Для выделения областей с разной текстурой вычисленная оценка сравнивается с порогом. Пороговым значением А между двумя разными текстурными областями является оценка , которая для текстурных областей с разными вероятностными характеристиками может быть выбрана на основе анализа гистограмм изображения. При наличии на изображении нескольких текстур используется не-

сколько пороговых значений, соответствующих разным текстурам. Каждой текстуре на изображении присваивается своя метка.

Для оценки качества работы метода выделения текстурных областей вычислялось количество ошибочно сегментированных элементов, для определения которых сегментированное изображение сравнивалось с идеальной разметкой:

ESE = iruítF(iJ), N-M ,=1 м

(16)

где N, М - высота и ширина изображения; F(i,j) - величина, принимающая значение ноль, когда элемент изображения сегментирован верно, и единица в противном случае.

Качество выделения текстурных областей определяется размером скользящего окна и величиной порогового значения.

ESE

0,45 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00

Рис. 7

На рис. 7 приведен график зависимости критерия ESE от размера окна при разных значениях вероятностей переходов, сегментируемых текстур.

Приемлемым для большинства текстур и наиболее эффективным с точки зрения соотношения качество сегментации/время обработки является окно размером 21x21.

При использовании окна размером 21x21 элемент разработанный метод позволяет разделить изображение на текстурные области, в которых вероятности переходов между элементами отличаются на 0,15, со значением ошибки сегментации не превышающей 6%.

Количество пиков на гистограмме изображения текстурного признака соответствует количеству текстур на текстурном изображении. Поэтому значение порога, которое используется для разделения текстур между собой, может быть выбрано из анализа гистограммы изображения текстурного признака как минимальное значение между двумя соседними пиками гистограммы.

На рис. 8 приведен пример сегментации искусственных изображений с двумя и четырьмя текстурами, а также реального спутникового изображения. Для спутникового изображения сегментация осуществляется по шестому РДИ, пороговое значение выбирается по гистограмме, размер окна равен 21x21 элемент. На рис. 8: (а, г, ж) - искусственные изображения с двумя и четырьмя текстурами и спутниковое изображение соответственно; (б, д, з) - гистограммы изображений текстурных признаков; (в, е, и) - результаты сегментации.

,1

lí

I

I

1 i r I----i----1----[

I___1 I I

I----1!----1----1—

l!

J

-----r_

_IL.

_L

I]

I

_L

ij H - 0,7021

xS

ж) з)

Рис. 8

Результаты вычисленного критерия ESE приведены в таблице 4.

и)

Таблица 4

Разработанный метод Метод Канни Метод Собела Метод Лапласиана гауссиана

Искусственное тестовое изображение 0,0082 0,3523 0,2466 0,3073

Искусственное изображение на основе естественных изображений 0,0079 0,7665 0,4811 0,5956

Спутниковое изображение 0,0388 0,7268 0,4707 0,5969

ESE = 0,045 е)

Предложенный метод текстурной сегментации на основе случайных марковских полей позволяет эффективно выделить области с разными текстурами. При этом ошибка сегментации по сравнению с известными методами, основанными на вычислении градиента, снижается более чем в 10 раз.

Текстурную сегментацию цветных изображений можно выполнить, применив разработанный метод текстурной сегментации к каждой из цветовых компонент. Результаты текстурной сегментации цветовых компонент объединяются в единое цветное сегментированное изображение, на котором разными цветами выделены области различной текстуры.

В заключении обобщены научные и практические результаты проведенных исследований.

Основные научные результаты:

1. Проведен анализ известных методов сегментации изображений, позволяющий оценить эффективность методов.

2. Разработан и исследован метод выделения контуров объектов интереса на ЦПИ на основе двумерной цепи Маркова, позволяющий выделить контуры интересующих объектов с высокой точностью при небольших вычислительных затратах.

3. Показано, что для реализации разработанного метода выделения контуров требуется только две операции сравнения с элементами окрестности для принятия решения о принадлежности контуру одного элемента изображения, что обеспечивает выигрыш в скорости обработки по сравнению с известными методами в 5,719,7 раз. По качеству сегментации разработанный метод превышает известные методы (Робертса, Канни, Лапласиана Гауссиана) по критерию FOM на 6-38%, по критерию RMS на 1-3% уступает методам Превитга и Собела. Полученные в результате сегментации контуры всегда являются замкнутыми, в то время как для других методов критерий относительной несвязности составляет 6-33%.

4. Для улучшения контурного изображения предложен метод удаления точечных помех на основе многомерной двоичной цепи Маркова, позволяющей снизить процент ложных контуров по критерию FOM на 11%, а по критерию RMS на 16% при сохранении замкнутости контуров.

5. Разработан метод сегментации полутоновых и цветных изображений, состоящий из алгоритма выделения контуров и построчного алгоритма заполнения с затравкой, требующий небольших вычислительных ресурсов и позволяющий выделить объекты интереса на неоднородном фоне.

6. Разработан и исследован комбинированный метод выделения контуров на зашумленных ЦПИ. Показано, что по помехоустойчивости комбинированный метод сравним с методами Лапласиана гауссиана и Канни, точность выделения контуров на зашумленных ЦПИ разработанным методом превышает известные методы на 33...49% по критерию FOM и на 18...29% по критерию RMS, контуры получаются всегда замкнутыми.

7. Разработан и исследован метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в двумерной цепи Маркова для каждого элемента изображения и сравнения вычисленной величины с порогом. Показано, что оптимальным с точки зрения соотношения качество сегментации/время обработки является окно размером 21x21 элемент. Сравнение разработанного метода с методами, основанными на вычислении градиента, показало, что разработанный метод обеспечивает уменьшение ошибки сегментации более чем в 10 раз.

Основные публикации по теме диссертации

1. Курбатова, Е. Е. Метод сегментации изображений в прикладных телевизионных системах / Е. В. Медведева, Е. Е. Курбатова // T-Comm. Телекоммуникации и транспорт. - 2010. - №2. - с.46-49.

2. Kurbatova, Е.Е. A Two-stage image preprocessing algorithm / E. V. Medvedeva, E. E. Kurbatova // Pattern Recognition and Image Analysis. - 2011. - Vol. 21, No. 2. -pp.297-301.

3. Курбатова, E.E. Комбинированный метод выделения контуров на зашумлен-ных изображениях / Е.П. Петров, Е. В. Медведева, Е. Е. Курбатова // Нелинейный мир. -2011.-№ 6.-С.335-341.

4. Курбатова, Е.Е. Сегментация изображений в прикладных телевизионных системах / Е. В. Медведева, Е. Е. Курбатова // T-Comm. Телекоммуникации и транспорт. -2010. - №9. - с.40-42.

5. Курбатова, Е.Е. Метод текстурной сегментации изображений на основе марковских случайных полей / Е.В. Медведева, Е.Е. Курбатова // Цифровая обработка сигналов. - 2012. - №3. - с. 76-80.

6. Курбатова, Е.Е. Метод текстурной сегментации аэрокосмических изображений / Е.Е. Курбатова, К А Карлушин, Е.В. Медведева // Инфокоммуникационные технологии. - 2012. - №4. - с.41-45.

7. Курбатова, Е.Е. Комбинированный алгоритм выделения контуров объектов интереса в мониторинговых системах / Е.Е. Курбатова, Е.В. Медведева, ИЛ. Орлов // Весгаик ННГУ. - 2013. - № 2(1). - с. 62-67.

8. Курбатова, Е.Е. Сегментация изображений в мониторинговых системах / Е. В. Медведева, Е. Е. Курбатова // сб. докл. XVI МНТК «Радиолокация, навигация, связь». - Воронеж, 2010. - т. 1.- с.231-238.

9. Курбатова, Е.Е. Метод сегментации изображений / Е. В. Медведева, Е. Е. Курбатова // Всероссийская НТК «Общество, наука, инновации»: сб. матер- Киров: Изд-во ГОУ ВПО «ВятГУ», 2010. - т. 2. - с. 172-175.

10. Курбатова, Е.Е. Анализ алгоритмов сегментации изображений / ЕЛ. Курбатова // Всероссийская НТК «Общество, наука, инновации»: сб. матер - Киров: Изд-во ГОУ ВПО «ВятГУ», 2010. - т. 2.-е. 168-171.

11. Курбатова, Е.Е. Сегментация цифровых медицинских изображений / Е. В. Медведева, Е. Е. Курбатова // Доклады 9-ой МНТК Книга 1. «Физика и радиоэлектроника в медицине и экологии». - Владимир, 2010. - с. 320-324.

12. Курбатова, Е.Е. Оценка качества метода сегментации изображений на основе двумерных цепей Маркова / Е. В. Медведева, Е. Е. Курбатова // Сб. научн. трудов 13-й Междунар. конф. «Цифровая обработка сигналов и ее применение». - М.: 2011. - Т.2. -с. 151-155.

13. Курбатова, Е.Е. Оценка качества метода выделения контуров на изображениях [Электронный ресурс] / Е.Е. Курбатова // Общество, наука, инновации (НТК-2011): ежегод. открыт, всерос. науч.-технич. конф., 2011.: сб. материалов / Вят. гос. ун-т; отв. ред. С.Г. Лигвинец. - Киров, 2011.-1 электрон. Опт. Диск (CD-ROM). (Факультет прикладной математики и телекоммуникаций. Секция «Методы и средства передачи и обработки сигналов». Статья № 8).

14. Kurbatova, EE. Two-stage image preprocessing algorithm / E. V. Medvedeva, E. E. Kurbatova // 10th International Conference on Pattern Recognition and Image Analisis: New Information Technologies (PRIA -10-2010). St Petersburg. Conference Proceedings. Vo.l, SPb.: Politechnika, 2010.-pp. 293-296.

15. Курбатова, E.E. Сегментация зашумленных изображений в мониторинговых системах / Е.В. Медведева, Е.Е. Курбатова // Пятый Белорусский космический конгресс: материалы конгресса. - Минск: ОИПИ HAH Беларуси, 2011. - Т.2. - с. 7-11.

16. Курбатова, Е.Е. Метод выделения объектов на зашумленных изображениях в видеоинформационных системах / Е.В. Медведева, ICA. Карлушин, Е.Е. Курбатова // Общество, наука, инновации (НТК-2011): ежегод. открыт, всерос. науч.-технич. конф.: сб. материалов - Киров, 2012. -1 электрон. Опт. Диск (CD-ROM).

17. Курбатова, Е.Е. Текстурная сегментация изображений на основе марковских случайных полей / Е.П. Петров, Е.В. Медведева, Е.Е. Курбатова // X Международная научно-техническая конференция «Физика и технические приложения волновых процессов»: материалы.: - Самара: ООО «Книга», 2011. - с. 249-251.

18. Курбатова, ЕЕ. Метод текстурной сегментации изображений на основе двумерных цепей Маркова / Е.В. Медведева, ЕЕ. Курбатова // 14-я Международная конференция «Цифровая обработка сигналов и ее применение - DSPA-2011»: сб. докладов. - Москва: 2012. - Т.2. - с. 331-334.

19. Курбатова, Е.Е. Метод текстурной сегментации изображений / Е.Е. Курбатова // 67-я всероссийская конференция с международным участием «Научная сессия, посвященная Дню радио» RDC-2012: сб. докладов. — Москва: 2012. — с. 224-227.

20. Свидетельство о государственной регистрации программы для ЭВМ №2011614909 - Сегментация цифровых полутоновых изображений / Медведева ЕЛ., Курбатова Е.Е. - 22.06.11.

Курбатова Екатерина Евгеньевна Разработка и исследование методов сегментации изображений на основе многомерных цепей Маркова. Автореф. дисс. на соискание ученой степени кандидата тех. наук. Подписано в печать 15.04.2013. Заказ № 1630 Формат 60x84/16. Усл. печ. л. 1. Тираж 100 экз. ФГБОУ ВПО «Вятский государственный университет» 610000, г. Киров, Московская, 36

ВЯТСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

На правах рукописи

04201357375

КУРБАТОВА ЕКАТЕРИНА ЕВГЕНЬЕВНА

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОМЕРНЫХ ЦЕПЕЙ МАРКОВА

05.12.04 - Радиотехника, в том числе системы и устройства телевидения

Диссертация

на соискание ученой степени кандидата технических наук

Научный руководитель - доктор технических наук Е. В. Медведева

Киров-2013

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ..............................................................................4

1. ОБЗОР И АНАЛИЗ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ. ...14

1.1. Систематизация методов сегментации изображений...................14

1.2. Методы сегментации на основе выделения контуров..................16

1.3. Методы сегментации на основе выделения областей...................26

1.4. Обзор методов заполнения сегментов......................................33

1.5. Выбор математической модели изображения............................35

1.6. Выводы по главе 1..............................................................38

2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЫДЕЛЕНИЯ КОНТУРОВ..............40

2.1. Постановка задачи..............................................................40

2.2. Разработка метода выделения контуров в полутоновых изображениях....................................................................42

2.3. Разработка метода удаления ложных контуров..........................48

2.4. Критерии качества метода выделения контуров.........................51

2.5. Анализ эффективности методов выделения контуров и удаления точечных помех.................................................................55

2.6. Заполнение сегментов на изображении....................................64

2.7. Разработка и исследование метода сегментации цветных изображений.....................................................................68

2.8. Выводы по главе 2..............................................................77

3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА ВЫДЕЛЕНИЯ КОНТУРОВ НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ....................79

3.1. Постановка задачи..............................................................79

3.2. Комбинированный метод выделения контуров на зашумленных изображениях.....................................................................80

3.3. Анализ эффективности комбинированного метода выделения контуров...........................................................................84

3.4. Выводы по главе 3..............................................................92

4. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА ТЕКСТУРНОЙ СЕГМЕНТАЦИИ НА ОСНОВЕ ДВУМЕРНЫХ ЦЕПЕЙ МАРКОВА....94

4.1. Постановка задачи..............................................................94

4.2. Разработка метода текстурной сегментации полутоновых изображений.....................................................................95

4.3. Анализ эффективности метода текстурной сегментации...............99

4.4. Исследование влияния размера окна и значения порога на качество сегментации..........................................................107

4.5. Оценка качества метода текстурной сегментации.......................115

4.6. Сегментация цветных текстурных изображений........................122

4.7. Выводы по главе 4..............................................................124

ЗАКЛЮЧЕНИЕ.........................................................................126

БИБЛИОГРАФИЧЕСКИЙ СПИСОК..............................................129

СПИСОК АВТОРСКИХ ТРУДОВ ПО ТЕМЕ ДИССЕРТАЦИИ.............138

Введение

В настоящее время стремительно возрастает объем информации, передаваемой в виде отдельных или последовательных во времени изображений. В современных системах мониторинга, видеонаблюдения, охранного телевидения, технического зрения, медико-биологических системах изображения хранятся, обрабатываются и передаются в цифровом виде с помощью широкого комплекса технических средств и новейших методов цифровой обработки изображений. При этом постоянно увеличивается степень автоматизации систем обработки изображений, роль оператора в которых сводится к уточнению данных автоматической обработки.

Изображения естественных сцен содержат множество разнообразных объектов. Для конкретных систем важными являются не все объекты, а определенный класс объектов в зависимости от назначения системы. Например, в системах мониторинга земной поверхности объектами исследования могут быть очаги пожаров, области, затопленные в результате наводнения, территории вырубки леса и т.д. Эффективным способом такой интерпретации изображений является сегментация.

Сегментация изображений является предварительным этапом любой системы анализа и обработки изображений. Она позволяет оперативно выделить интересующие объекты на изображении от фона и других объектов, определить размер, форму, положение объекта, преобразовать изображение к виду удобному для дальнейшей обработки автоматическими системами и эффективного решения задач более высокого уровня, таких как распознавание образов и анализ сцен. Качество сегментации изображений оказывает значительное влияние на качество финальной стадии обработки изображения. Неточная, недостаточная или избыточная сегментация может привести к возникновению ошибок на следующих этапах обработки изображения.

Большой вклад в развитие методов предварительной обработки изображений внесли российские и зарубежные ученые: Журавлев Ю.И., Бакут П.А.,

Потапов A.A., Сойфер В.А., Алпатов Б.А., Canny J.F., Pratt W.K., Prewitt J.P., Sobel I.E., Kirche R.A., Roberts L.G. и др. [1-12].

В последние годы в связи со значительным ростом интереса к сегментации появились новые подходы и методы, позволяющие выделить объекты интереса с различными критериями качества. Некоторые алгоритмы имеют большую вычислительную сложность и не в полной мере учитывают специфику рассматриваемых задач. Поэтому анализ известных методов сегментации, позволяющий оценить их эффективность, и разработка новых методов является важной и актуальной задачей.

Все известные методы сегментации изображений можно условно разделить на методы контурной сегментации [13-35,А1] и методы, основанные на выделении однородных (текстурных) областей [9,13,36-55,А1].

Наиболее распространенные методы контурной сегментации в силу многообразия сцен и неоднородности фона на цифровом полутоновом изображении (ЦПИ) могут приводить к выделению разрывных контуров или пропуску границ объектов. Повышение точности выделения контуров в этих методах требует дополнительных преобразований, операций прослеживания контуров или увеличения размерности и количества масок, что в итоге приводит к большим вычислительным ресурсам.

Методы на основе поиска однородных областей могут приводить к избыточной сегментации и границы полученных областей не всегда соответствуют объектам на изображении. Большинство этих алгоритмов являются итерационными и для повышения точности выделения границ требуют увеличения количества итераций, что в итоге приводит к снижению скорости работы алгоритма.

Для разработки методов обработки изображений, являющихся многомерными случайными процессами необходимы математические модели (ММ), наиболее точно отражающие реальные процессы и обладающие наибольшей вычислительной эффективностью. Перспективным в этом смысле решением можно считать использование многомерной ММ, базирующейся

на многомерных цепях Маркова с несколькими состояниями и энтропийном подходе к ее реализации [56-59]. Однако, если речь идет об обработке ЦПИ, представленных £-разрядными двоичными числами с числом дискретных

значений (уровней яркости) , возникает проблема хранения в памяти и оперирования с матрицами вероятностей переходов (МВП) от /' -го состояния к у -му (соседнему) размерностью 2ё х2ё. Такая обработка ЦПИ в реальном масштабе времени труднореализуема. Оригинальное решение данной проблемы найдено представлением ЦПИ в виде набора из g разрядных двоичных изображений (РДИ) [60-63], каждое из которых представляет собой двумерную цепь Маркова с двумя равновероятными состояниями МВП размером 2 х 2 по каждому измерению. Синтезированная в [63] многомерная ММ требует для своей реализации только операций сравнения и послужила основой для разработки методов контурной и текстурной сегментации изображений.

Учитывая, что основные детальные области изображения в наибольшей степени выражены на старших разрядах ЦПИ, для выделения объектов интереса в работе предложено использовать элементы РДИ старших разрядов ЦПИ.

Для выделения контуров объектов интереса с использованием двумерной ММ [64,65,А2-А8], вычисляется величина количество информации в каждом элементе РДИ и сравнивается с порогом. Разработанный метод требует значительно меньших вычислительных затрат, чем известные методы (метод Собела, метод Канни, метод Лапласиана гауссиана).

Улучшение контурных изображений достигается удалением точечных помех, которые обусловлены видом исходного ЦПИ и применяемым методом и проявляются в виде точечных искажений около трехгранных вершин и Т-образных пересечений. В известных работах [1-4,8,10,13] для улучшения контурного изображения применяют усредняющие линейные фильтры с маской 3x3 элемента [3,13,33,34]. В данной работе удаление точечных помех основано на использовании многомерной двоичной цепи Маркова, вычисле-

нии количества информации в элементе РДИ относительно четырех соседних элементов и последующим сравнением этой величины с порогом [A3].

Для закрашивания областей интереса (сегментации) предложено использовать построчный алгоритм заполнения с затравкой [66,67], который дает существенный выигрыш в объеме памяти и времени обработки за счет хранения только одного затравочного элемента для каждого заполняемого участка.

В цветовом пространстве RGB каждая из компонент представляет собой g -разрядное ЦПИ. Использование цвета при сегментации изображений обусловлено тем, что цвет облегчает выделение и распознавание объектов на изображении. Применяя к каждой из цветовых компонент разработанный метод сегментации ЦПИ и нормирование интенсивности цветовых компонент [14], разработан метод сегментации цветного изображения.

Задача выделения контуров объектов интереса усложняется еще в большей степени, если необходимо оперативно обработать видеосигнал после передачи его по зашумленному радиоканалу. Для оптимизации работы алгоритмов выделения контуров на зашумленных ЦПИ, непосредственно перед их использованием, выполняют сглаживание изображения (методы Лапласиан гаус-сиана, Канни) [4,8,10,13]. Однако, в случае сильно зашумленных ЦПИ ( р]х < 1) данные методы будут неприемлемы. Для восстановления изображений, разрушенных шумом, на приемной стороне должны быть применены алгоритмы, наиболее полно реализующие большую статистическую избыточность ЦПИ. Это позволит существенно повысить помехоустойчивость приема изображений. Одним из таких подходов является метод, основанный на теории фильтрации условных марковских процессов и двумерной ММ ЦПИ, продуктивность которого показана в работах [68-71].

В данной работе для выделения контуров на зашумленных БГШ ЦПИ предлагается применить комбинированный метод, состоящий из алгоритма двумерной нелинейной фильтрации и алгоритма выделения контуров, позволяющий выделять контуры объектов интереса на зашумленных ЦПИ с точ-

ностью превышающей известные методы (Лапласиан гауссиана, Канни) [А9-А14].

Часто естественные сцены, такие как леса, поля, лишены существенных деталей на больших пространствах и не имеют четко выраженных границ. В этом случае необходимо использовать идентификацию областей изображения на основе анализа их текстуры. Эффективность выделения текстурного признака в значительной мере определяет качество сегментации. Несмотря на широкий выбор методов выделения текстурных областей, многие из них требуют больших вычислительных ресурсов, не точно разделяют признаковое пространство и т.д. В связи с этим разработка методов текстурной сегментации является весьма актуальной. Представление изображений двумерной цепью Маркова, позволило разработать метод текстурной сегментации, базирующийся на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна. Проведенные в работе исследования показали высокую эффективность выделения текстурных областей [А15-А19].

Целью диссертационной работы является разработка на основе теории условных марковских процессов методов контурной и текстурной сегментации оригинальных и зашумленных изображений, позволяющих повысить эффективность видеоинформационных систем обработки.

Объектом исследования являются методы контурной и текстурной сегментации цифровых полутоновых и цветных изображений.

Предметом исследования является разработка методов контурной и текстурной сегментации изображений на основе двумерных цепей Маркова.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Анализ характеристик известных методов сегментации изображений, позволяющий оценить эффективность выделения интересующих объектов.

2. Разработка метода сегментации цифровых полутоновых и цветных изображений на основе двумерной цепи Маркова и выделения контуров объектов интереса по вычисленной величине количества информации, реализация которого достигается меньшими вычислительными ресурсами, чем известными алгоритмами.

3. Разработка метода удаления точечных помех, основанного на вычислении количества информации по четырем соседним элементам, позволяющего снизить процент ложных контуров.

4. Разработка комбинированного метода сегментации изображений, за-шумленных БГШ, сочетающего нелинейную фильтрацию ЦПИ на первом этапе и выделение контуров объектов интереса - на втором.

5. Исследование и анализ эффективности разработанного метода выделения контуров на оригинальных и зашумленных ЦПИ.

6. Разработка метода текстурной сегментации цифровых полутоновых и цветных изображений, использующего в качестве текстурного признака оценку средней вероятности перехода в двумерной цепи Маркова и анализ качества его работы.

При решении поставленных задач использовались методы теории условных марковских процессов, теории информации, математического моделирования, теории вероятностей и математической статистики. Экспериментальная часть исследования основывалась на обработке цифровых изображений с помощью ЭВМ. Для программной реализации разработанного алгоритма использовались методы создания программных систем и программирование на языках высокого уровня, моделирование с помощью специализированных пакетов обработки изображений.

На защиту выносятся следующие основные научные положения:

1. Систематизация и анализ известных методов сегментации изображений позволяет оценить их эффективность.

2. Метод сегментации цифровых полутоновых и цветных изображений на основе двумерных цепей Маркова позволяет точно выделить контуры

объектов интереса меньшими вычислительными ресурсами, чем известными методами.

3. Метод удаления точечных помех позволяет удалить 1-2 элемента другой яркости на РДИ и снизить процент ложных контуров.

4. Комбинированный метод сегментации позволяет восстановить за-шумленное изображение нелинейным фильтром и выделить контуры объектов с точностью, превышающей известные методы.

5. Результаты количественного и качественного анализа методов выделения контуров на оригинальных и зашумленных изображениях позволяют оценить эффективность их работы.

6. Метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна позволяет выделить области разных текстур небольшими вычислительными ресурсами.

Научная новизна полученных результатов состоит в следующем:

1. Разработан новый метод сегментации ЦПИ на основе двумерной цепи Маркова, позволяющий выделить контуры объектов интереса с высокой точностью и меньшими вычислительными ресурсами, чем известные методы (Канни, Лапласиан гауссиана, Робертса, Превитта, Собела).

2. Разработан метод удаления точечных помех на основе многомерной цепи Маркова, позволяющий повысить качество сегментации ЦПИ за счет снижения процента ложных контуров.

3. Разработан метод сегментации цветных изображений в системе RGB, позволяющий эффективно выделить объекты заданного цвета и не уступающий по эффективности методу К-средних.

4. Разработан комбинированный метод сегментации ЦПИ, позволяющий выделить контуры объектов интереса на зашумленных ЦПИ при отношениях сигнал/шум на входе приемного устройства до - 9 дБ.

5. Разработан новый метод текстурной сегментации, позволяющий выделить области с разными статистическими характеристиками на полутоновых

и цветных изображениях с высокой точностью и небольшими вычислительными ресурсами.

Практическая ценность полученных результатов заключается в том, что разработанные методы позволяют эффективно выделить объекты интереса в системах мониторинга и видеонаблюдения, охранного телевидения, медицинских системах за счет точного выделения контуров объектов интереса и текстурных областей, в том числе и в условиях действия БГШ большой интенсивности. Разработанные методы требуют для реализации небольших