Автоматическая сегментация текстурированных изображений на основе локальных распределений характеристик | Вестн. Том. гос. ун-та. 2000. № 271.

Автоматическая сегментация текстурированных изображений на основе локальных распределений характеристик

Предлагается двухэтапный метод автоматической кластеризации локальных распределений характеристик для сегментации текстурированных изображений. В качестве характеристик использованы коэффициенты габоровских фильтров. Метод применяется к задаче автоматической сегментации колажей натуральных микротекстур и восстановлению двухуровневых изображений, искаженных коррелированными шумами.

Unsupervised texture segmentation using local feature distribution.pdf Большинство предложенных на сегодняшний день алгоритмов автоматической сегментации текстурированных изображений состоит из двух этапов: формирование локальных характеристик изображения и разбиение изображения на однородные в смысле этих характеристик области. В классических методах сегментации [1] локальные характеристики сглаживаются и рассматриваются как векторы в метрическом пространстве, описывая таким образом каждую текстуру усредненным вектором характеристик (центром). В качестве меры различия при таком подходе чаще всего используется квадрат (взвешенного) евклидова расстояния. Это предполагает в качестве модели данных гауссовскую смесь распределений с одним ядром на каждую текстуру. Для кластеризации векторов характеристик используют метод К-средних и его варианты. Однако поскольку модель гауссовской смеси неадекваэта в случае текстур, альтернативные методы используют матрицу попарных расстояний. В качестве элементов матрицы берутся значения статистик критериев однородности локальных распределений характеристик [2]. Основное преимущество этих методов в том, что они не требуют задания метрики в векторном пространстве. В настоящей работе предлагается метод группировки распределений характеристик. В отличие от подходов, основанных на векторах характеристик и матрице расстояний, предлагаемый метод работает непосредственно с гистограммами и не требует отображения данных ни в точки метрического пространства, ни в матрицу попарных расстояний. Так удается избежать вычислительно трудоемкого этапа подготовки данных, что дает выигрыш в скорости. В отличие от кластеризации методом К-средних, кластеризация по распределению естественным образом корректно учитывает многомодальные плотности распределения исходных данных. Представление изображения Для формирования локальных характеристик текстуры будем использовать ее спектральные свойства. Определим семейство комплексных габоровских фильтров формулой g{x, расстояние Кульбака-Лайбле-ра, Крамера-Мшеса или другую. Наилучших результатов удалось добиться с использованием статистики %2. Комбинирование полученных для отдельных каналов расстояний удобно производить с помощью нормы Минковского £>(х,, х, ) = [д. {х,. jf j • Для малых р норма Минковского менее чувствительна к различиям в одном канале. Возможно вычислять значение статистики %г по выборкам, объединенным по каналам, но при этом возникают трудности при сравнении малых областей. Кластеризация локальных распределений характеристик Обозначим X - множество узлов изображения (наг пример, узлы дискретной сетки), Т = {tl,ti,...tM} -дискретное множество характеристик Каждый узел i е X характеризуется набором М наблюдений {x,,tj), записанных в таблицу сопряженности (ntJ). Таким образом, для каждого i определена гистограмма на Т njV = п0/п,, п, = Если для каждой тек- J стуры v на изображении определено эмпирическое распределение характеристик q^, то порождающую модель можно записать так: 1) выбрать узел / е X с некоторой вероятностью р,; 2) выбрать метку текстуры а согласно известной матрице-индикатору Mla (Mla = 1 если узлу / соответствует текстура а, 0 иначе, условие нормировки ~Z.Mlv =1 V/); У 3) выбрать tjsT из условного распределения q^, характерного для выбранной текстуры. Распределение вероятностей пары (х,, tj) в этом случае P[x„tj\M,p,q)= логарифм функции а правдоподбия 1 = In р, + иу ln^. I t a J Учшывая нормировки, методом множителей Лагранжа получим оценки максимального правдоподобия парамет-п, ров модели р, = - : 2>/ П ju l,a = argminn

Ключевые слова

Авторы

ФИООрганизацияДополнительноE-mail
Губанов Петр ВладимировичТомский государственный университетаспирант кафедры высшей математики и математического моделирования факультета прикладной математики и кибернетикиpeter@tsu.ru
Всего: 1

Ссылки

Jaln A.,Farrokfmia F. Unsupervised texture segmentation using Cabor filters//Pattern Recognition. 1991. Vol. 24. № 12.P. 1167-1186.
Hofinann Т., Puzicha J., Buhman J. Unsupervised texture segmentation in a deterministic annealing framework // IEEE Trans, on PAMI. 1998. Vol. 20. № 8. P. 803-818.
Daugman J. Uncertanity relation /or resolution in space, spatial frequency, and orientation optimized by two-dimiensional visual cortical filters // Journal of the optical society Am. A. 1985. Vol. 2. № 7. P. 1160-1169.
Айвазян C.A., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. 1022 с.
Ojala Т., Pietikdinen М. Unsupervised texture segmentation using feature distributions // Pattern Recognition. 1999. Vol. 32. № 3.
Brodatz P. Textures: A Photographic album for artists and designers. New York: Dover Publications, 1966.
 Автоматическая сегментация текстурированных изображений на основе локальных распределений характеристик | Вестн. Том. гос. ун-та. 2000. № 271.

Автоматическая сегментация текстурированных изображений на основе локальных распределений характеристик | Вестн. Том. гос. ун-та. 2000. № 271.

Полнотекстовая версия