Моделі мультиграничної сегментації зображень
.
Це відношення
є відношенням
еквівалентності,
продукуючи
клас еквівалентності
правилом
.
(2)
Відзначимо,
що класи
є передкласами
толерантності,
оскільки складаються
із парних толерантних
елементів.
Система передкласів
,
яка індукована
еквівалентностями
(правилом (2), буде
в просторі
функціональної
толерантності
базисом, тобто
відповідати
умовам

Твердження
6. Для довільної
функціональної
толерантності
,
яку задали на
скінченній
множині
,
покриття
із повних прообразів
є базисом у
просторі
толерантності
за умови, що
вихідне покриття
є впорядковано
зв’язним і
базисним.
Спільна обробка покриттів, отриманих різними шляхами, дозволяє отримати додаткову інформацію для побудови розбиттів, що найточніше відповідають об’єктам, які шукаються. Отримані результати являють собою основу для введення операцій між покриттями і критеріїв переходу до розбиттів, адекватних структурі сцен, що спостерігаються.
Третій розділ. Після одержання часткової сегментації зображень головним завданням стає трансформація класів еквівалентності або толерантності для забезпечення передумов тематичної інтерпретації візуальної інформації. У розділі запропоновано методи перетворень розбиттів і покриттів поля зору.
Сегментовані
зображення
представлені
у вигляді
,
де
,
при аналізі
розбиття і
під час обробки
покриття. Внаслідок
сегментації
класи еквівалентності
або толерантності
розмічені,
тобто існує
індексуюче
відображення
таке, що
.
Розглянуто
операції, що
відповідають
умовам
,
(3)
,
(4)
,
(5)
.
(6)
Умова (3) вказує
на існування
необхідного
відображення.
Умова адитивності
(4) разом з умовою
монотонності
(5) гарантує
можливість
пофрагментної
обробки. Умова
(6) забезпечує
обробку декількох
множин, що визначають
сегментоване
зображення.
Якщо відображення
взаємно однозначне,
то включення
(6) переходить
у рівність. Як
другий операнд
можуть використовуватися
або елементи
множини
,
або інші результати
сегментації
,
або деякі фіксовані
множини
,
які передбачають
акцентування
або фільтрацію
тих або інших
властивостей.
На сегментованих
зображеннях
виділені межі
окремих областей
,
а також їхні
внутрішні
частини
.
Для маніпуляцій
з розбиттями
(покриттями)
як базові обрані
операції алгебри
Мінковського
на площині.
По-перше, результати
сегментації
є замкнутими
щодо операцій
алгебри Мінковського,
по-друге, додавання
і віднімання
Мінковського,
де операнди
– довільні
множини, що
задовольняють
умовам (3) – (6).
Якщо фіксувати просторову форму й структуру однієї з множин, то можна одержувати підмножини із заданими властивостями (стосовно обробки результатів сегментації одержуємо бінарну морфологію).
Як базові операції
використані
операції бінарної
морфології:
і
– розширення
і звуження
відповідно.
Тут
– множина, яка
фіксується
і має назву
структурний
елемент,
.
Часто при
трансформаціях
розбиттів або
покриттів
корисними
виявляються
операції визначення
внутрішніх
частин
і замикання
,
оскільки:
багаторазове
використання
одних і тих
самих операцій
і
не міняє результату;
завжди
;
операція
видаляє дрібні
об’єкти і тонкі
частини великих
об’єктів, приводить
до розділення
об’єктів, які
з’єднані тонкими
лініями, тобто
реалізує деякі
елементарні
алгоритми
фільтрації;
операція
заповнює мілкі
отвори в об’єктах,
об’єднує найближчі
об’єкти, тобто
при відповідному
виборі прототипів
аналіз багатозв’язних
об’єктів можна
зводити до
обробки однозв’язних
областей.
Якщо
використовувати
і
як структурні
елементи, отримуємо
ортогональні
(
)
або ізотропні
(
)
межі. Застосовуючи
розклад чотиризв’язності
,
де
,
,
отримуємо
горизонтальні
та вертикальні
складові межі.
Маніпуляції із сегментованими зображеннями (об’єднання розбиттів із метою огрублення областей інтересу, їхнє перетинання для підвищення ступеня деталізації й т. ін.) можуть дозволити знаходити розумний компроміс між надмірною і недостатньою сегментацією. Для визначення операцій із сегментованими зображеннями введемо характеристичну функцію класу еквівалентності

Необхідно
вказати граничні
умови
,
і своєрідну
подвійність
введених відношень
.
У розділі
встановлений
взаємозв’язок
між парами
і
елементів двох
довільних
розбиттів
і
![]()
,
,
.
Для отримання
розбиттів, що
відповідають
контексту
реальних сцен,
для операцій
типу злиття-розщеплення
потрібне одночасне
використання
декількох
класів еквівалентності.
Показано, що
для
![]()
,
.
Якщо ввести
позначення
,
де
означає внутрішню
частину елемента
з межею
і визначити
відношення

то
матриця
однозначно
задає всі можливі
варіанти взаємного
розташування
елементів
розбиття, аналіз
яких підвищує
точність і
надійність
інтерпретації
сегментованих
зображень.
Використання
індикаторної
функції
дозволяє
для будь-яких
розбиттів
,
визначити
,
,
,
,
При
для огрублення
або деталізації
сегментації
потрібний
додатковий
аналіз
із характеристичною
функцією
відповідно,
наприклад, до
ознак форми
шуканих об’єктів.
У четвертому розділі удосконалено методи мультиграничної сегментації зображень, проведено експериментальні дослідження отриманих теоретичних результатів і обговорено особливості їхнього запровадження при автоматизації неінвазивних методів дослідження і діагностики патології ока, які базуються на його фізичних властивостях. Зображення були отримані з використанням поляризованого світла, що дозволяє не тільки покращити якість оптичного зображення ока, але й дослідити фізичні властивості середовища ока. Зважаючи на те, що більшість тканин ока є оптично анізотропними, використання поляризованого світла дозволяє отримати нову діагностичну інформацію. Оптична анізотропія, яка викликана механічними деформаціями (розтягненням, стисканням), дає можливість, наприклад, визначати безконтактними методами внутрішньоочний тиск. Задача автоматизації діагностики патології екстраокулярних м’язів у поляризованому світлі пов’язана з визначенням геометричного центру райдужної оболонки і геометричних параметрів окремих об’єктів у полі зору.
Для опису форми елементів покриття використовувався набір таких ознак: площа, заповнена площа, опукла площа, периметр, діаметр кола рівної площі, діаметр окружності рівного периметра, максимальний діаметр Ферре, довжини великої та малої піввісей еліпсу, координати центру тяжіння, середня арифметична відстань від контурних точок до центру тяжіння, розкид відстані від контурних точок до центра тяжіння; максимальна й мінімальна відстань до центру тяжіння; максимальний та мінімальний моменти інерції відносно головних центральних вісей інерції контуру; число Ейлера. На основі цих ознак вираховувалися такі числові характеристики елементів покриття: сферична проекція, відношення Ваделла (опуклості форми), відношення Пентланда (сферичність проекції), коефіцієнт складчастості, ексцентриситет, фактор компактності Гортона, відношення опуклості, параметри кривизни.
Запропонований метод сегментації можна надати у такий спосіб. Після медіанної фільтрації, яка забезпечує зменшення кількості потенційних класів еквівалентності (або толерантності), на основі мультиграничних моделей виконується реквантування цифрового зображення з урахуванням детектування локальних максимумів гістограми. Далі після «розфарбування» отриманих класів (індексації зв’язних областей) застосування операції бінарної морфології дозволяє виключити з аналізу дрібні деталі, а в кожному класі, який залишили, ліквідувати незначущі частини з метою переходу (якщо можливо) до однозв’язних областей. Порогова фільтрація в просторі ознак забезпечує відсікання ряду елементів фактор-множин, які не становлять інтересу з погляду застосувань. На цьому етапі розбиття (покриття) поля зору вважається підготовленим для трансформацій. Після виділення внутрішніх частин і меж на базі просторового контексту (додавань, дотику, перетинання і т. ін.), виконуючи теоретико-множинні операції, отримуємо придатний для однозначної інтерпретації результат.
Рис. 1 ілюструє
описану схему
сегментації.
На рис. 1, а) наведено
початкове
зображення;
на рис. 1, б) показано
реквантоване
зображення
з розбиттям
,
де
,
,
,
,
.
На рис. 1, в) зображено
127 класів однорідності
(отримане розбиття
є правильним
і порядковано
зв’язним); рис.
1, г) демонструє
результати
трансформацій
(отримано 10 класів
еквівалентності).
Рис. 1, д) показує
зв’язок кінцевого
розбиття з
початковим
зображенням,
на рис. 1, е) наведено
результати
апроксимації
райдужної
оболонки й
зіниці. Залежності
на рис 1, ж), з) ілюструють
значення ознак
«округлості»,
«складчастості»
та опуклості.
Для дослідження
залежності
точності
багатозначного
реквантування
від кількості
порогів використовувалось
розбиття оператором
початкового
зображення,
що приймалося
як еталонне.
Для визначення
міри близькості
між еталонним
розбиттям
(«ground truth» парадигма)
і розбиттями
,
які отримуємо
внаслідок
автоматичного
реквантування,
використовувалася
метрика
,
де
– симетрична
різниця множин.
Під час проведення дисертаційних досліджень отримані дані, що характеризують залежності точності визначення центру райдужної оболонки та зіниці, їхніх діаметрів при різних параметрах сегментації.
Результати експериментальних досліджень дозволяють стверджувати, що запропонована в роботі двоетапна схема сегментації, коли на першому етапі здійснюється мультигранична сегментація, а на другому – шляхом трансформацій окремих класів розбиттів (покриттів) або їхніх сукупностей створюються достатні умови для предметно-орієнтованої інтерпретації зображень є ефективною.
Реалізація теоретичних результатів здійснена при розробці спеціалізованого програмного забезпечення неінвазивної діагностики патології ока на основі властивостей п’єзооптичного ефекту і при створенні дослідницьких засобів для розробки програмного забезпечення пошуку й розпізнавання візуальної інформації у великих колекціях зображень.
У додатку наведено акти впровадження теоретичних і практичних результатів дисертаційних досліджень.
Висновки
У дисертації наведено узагальнене та отримано нове вирішення наукового завдання усунення семантичного конфлікту між обробкою та тематичною інтерпретацією візуальної інформації у вигляді моделей мультиграничної сегментації зображень і перетворень класів еквівалентності або толерантності на основі даних, які визначені специфікою предметної області. Під час проведення дисертаційних досліджень отримано такі основні результати:
1. Встановлено, що в концептуальному і прикладному аспектах для інтерпретації візуальної інформації досить універсальним і адекватним є підхід, що полягає в отриманні часткової сегментації зображень на базі мультиграничних моделей і наступних перетворень розбиттів і/або покриттів поля зору, що продукуються, з урахуванням апріорних даних.
2. Запропоновано обґрунтовані й досліджені моделі, в основу яких покладено зв’язок розбиттів і покриттів поля зору, індукованих розбиттями й покриттями діапазону зміни яскравостей (множини ознак). Властивості розбиттів і покриттів забезпечують отримання розбиттів, аналіз яких створює передумови для пошуку розумного компромісу між надмірною і недостатньою сегментацією.
3. Встановлено, що для підвищення ефективності інтерпретації візуальної інформації доцільно проводити морфологічну обробку окремих класів еквівалентності або толерантності, а розбиття або покриття повинні перетворюватися з урахуванням їхніх просторових властивостей та ознакової інформації, пов’язаної зі специфікою предметно-орієнтованої області.
4. На основі узагальнених вимог до трансформацій результатів часткової сегментації конкретизовано операції з окремими областями і з їхніми сімействами. Виявлено випадки одержання однозначних результатів і ситуації, що вимагають залучення додаткової інформації: або ознак форми об’єктів чи областей, що визначають носій їхніх зображень, або характеристик просторової конфігурації необхідної фактор-множини.
5. Удосконалено методи мультиграничної сегментації зображень. Шляхом експериментальних досліджень виявлено особливості двоетапної процедури сегментації на основі мультиграничних моделей і перетворень розбиттів і покриттів у плані застосування операцій, що забезпечують істотне зменшення кількості аналізованих областей за рахунок злиття або вилучення фрагментів несуттєвих із погляду застосувань.
6. Теоретичні й практичні результати дисертації реалізовано у вигляді програмних засобів, що забезпечують як розв’язання конкретних завдань обробки та інтерпретації візуальної інформації, так і їхнє використання в задачах імітаційного моделювання для вибору характеристик алгоритмів сегментації на базі мультиграничних моделей.
7. Результати теоретико-експериментальних досліджень реалізовано та впроваджено у вигляді прикладних та дослідницьких програмних комплексів, що використовуються при розробці систем медичної діагностики.
список опублікованих праць за темою дисертації
1. Чупиков А.Н. Свойства толерантностей при сегментации изображений // Прикладная радиоэлектроника. – 2006. – № 3 (5). – С. 408–411.
2. Машталир В.П., Чупиков А.Н. Модели покрытий в задачах сегментации изображений реквантованием // Радиоэлектроника и информатика. – 2006. – № 3. – С. 58–65.
3. Егорова Е.А., Чупиков А.Н., Щербинин К.А. Интеллектуальная обработка результатов сегментации синтезированных изображений // Прикладная радиоэлектроника. – 2006. – Т. 5, № 3. – С. 408–411.
4. Chupikov A., Kinoshenko D., Mashtalir V., Shcherbinin K. Image retrieval with segmentation-based query // Adaptive multimedia retrieval: user, context, and feedback / S. Marchand-Maillet et al. (Eds.). 4-th International Workshop Adaptive Multimedia Retrieval. Geneva, Switzerland, July 27–28, 2006. – Berlin Heidelberg: Springer-Verlag. – Lecture Notes in Computer Science. – Vol. 4398. – 2007. – Р. 208–222.
5.
Chupikov A., Mashtalir S., Yegorova E. Morpholohical normalization of
image binary cuts // Computational Imaging and Vision / M.A.
Viergever, ed. International Conference on Computer Vision and
Graphics. Warsaw. Poland, September 22–24, 2004. –
Dordrecht: Springer. –Vol. 32. – 2006. – P.
558–564.
6.
Чупиков А.Н.
Синтез методов
сегментации
в задачах
идентификации
// Материалы I
международной
научной конференции
«Глобальные
информационные
системы. Проблемы
и тенденции
развития».
Харьков, 3–6 октября
2006 г. – Харьков:
ХНУРЭ, 2006. – С. 87–88.
7. Чупиков А.Н. Синтез и комбинирование методов сегментации изображений // Материалы Х международной научной конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М.Ф. Решетнева. Красноярск, Россия, 8–10 ноября, 2006 г. – Красноярск: СибГАУ, 2006. – С. 327–328.
8. Чупиков А.Н. Современные проблемы сегментации изображений // Сборник материалов международной научной конференции «Современные проблемы математики и ее приложения в естественных науках и информационных технологиях». Харьков, 23–25 марта 2007 г. – Харьков: ХНУ им. В.Н. Каразина, 2007. – С. 49–52.
9. Каграманян А.Г., Киношенко Д.К., Чупиков А.Н., Щербинин К.С. Мультипороговая сегментация с использованием признаков формы // Материалы международной конференции «Интеллектуальные системы принятия решений и прикладные аспекты информационных технологий». Евпатория, 14–18 мая 2007 г. – Херсон: ПП Вышемирский В.С., 2007 – Т. 3. – С. 143–146.
10. Чупиков А.Н. Анализ отношений толерантности в задачах сегментации изображений // Материалы 10 международного молодежного форума «Радиоэлектроника и молодежь в XXI веке». Харьков, 10–12 апреля 2006 г. – Харьков: ХНУРЭ, 2006. – С. 275.
анотація
Чупиков А.М. Моделі мультиграничної сегментації зображень – Рукопис.
Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 – системи та засоби штучного інтелекту. – Харківський національний університет радіоелектроніки, Харків, 2008.
Дисертація присвячена розробці моделей і методів, що забезпечують синтез адекватних із прикладного погляду розбиттів поля зору на основі двоетапних процедур. Перший етап полягає в одержанні часткової сегментації зображень на основі мультиграничної обробки. Другий етап пов’язаний з одержанням на базі перетворень розбиттів або покриттів сімейств носіїв зображень, придатних для тематичної інтерпретації, та сцен, що корелюють зі значущими об’єктами. Проведені теоретико-експериментальні дослідження мультиграничних моделей та операцій із класами