Статья:

Анализ существующих методов выделения границ изображения

Конференция: XXXV Студенческая международная научно-практическая конференция «Технические и математические науки. Студенческий научный форум»

Секция: Технические науки

Выходные данные
Коклюков Н.В. Анализ существующих методов выделения границ изображения // Технические и математические науки. Студенческий научный форум: электр. сб. ст. по мат. XXXV междунар. студ. науч.-практ. конф. № 12(35). URL: https://nauchforum.ru/archive/SNF_tech/12(35).pdf (дата обращения: 05.03.2021)
Лауреаты определены. Конференция завершена
Эта статья набрала 0 голосов
Мне нравится
Дипломы
лауреатов
Сертификаты
участников
Дипломы
лауреатов
Сертификаты
участников
на печатьскачать .pdfподелиться

Анализ существующих методов выделения границ изображения

Коклюков Никита Владимирович
магистрант, Рязанский государственный радиотехнический университет имени В.Ф. Уткина, РФ, г. Рязань

 

Важным этапом в задачах анализа изображений является предварительная обработка. Каждый этап преобразует входной сигнал в модифицированный поток, который имеет улучшенное качество, либо генерирует новое изображение, созданное на основе входного сигнала.

Одним из вариантов предварительной обработки изображения является выделение контуров, для которого существуют ограничения и критерии оценки качества обработки. Джон Кенни определил следующие показатели: хорошее обнаружение; правильное определение положение границы; единственность отклика на одну границу [2].

Однако стоит отметить, что выполнить все указанные критерии невозможно. При этом все существующие алгоритмы детектирования границ выполняют критерии в определенном объеме, жертвуя некоторыми характеристиками для достижения определенного результата.

Учитывая, различный результат и выполнение критериев важной задачей в обработке изображений становится выбор подходящего метода для выделения границ.

Известные детекторы границ можно условно разделить на группы, основываясь на принципе нахождения граничных линий по использованию порядков частных производных:

1. Методы нулевого порядка.

2. Методы первого порядка.

3. Методы второго порядка.

Первая группа включает в себя те методы, которые не используют вычисление оценок частных производных. Такие методы, как правило, выполняют анализ изображения как группы пикселей.

Вторая группа включает в себя те методы, которые используют вычисления оценок частных производных. Данные значения частных производных в алгоритмах необходимы для расчета модуля и направления градиента, которые определяют отнесение пикселей к границам изображения. Другое название методов первого порядка – градиентные.

Обычно градиентные методы состоят из 2 этапов [1]:

1. Предварительное сглаживание изображения.

2. Выделение границ перепада яркости.

В третью группу методов выделения границ входят те алгоритмы, которые основываются на вычислении оценок частных производных второго порядка функции яркости изображения.

Для сравнения выбраны следующе методы выделения границ: оператор Собеля, оператор Превитта, оператор Кирша, алгоритм LoG, метод Кенни.

Оператор Собеля в своей основе имеет идею о вычислении приближения к производной. Оператор вычисляет градиент яркости изображения в каждой точке. По этому значению возможно обнаружить направление наибольшего увеличения яркости, что характеризует вероятность прохождения границы через данный отрезок.

Данный метод нахождения границ имеет существенное ограничение: он позволяет выделять границы, превосходящие некоторый порог, однако величина данного порога остается в неопределенности. Помимо этого, данный алгоритм имеет большую чувствительность к шумам изображения.

Оператора Превитта имеет схожую идею с операторов Собеля, а, следовательно, перенимает все недостатки этого метода. Главным отличием является маска свертки, позволяющая изменить пороговое значение и, соответственно, увеличить информативность результата.

Оба приведенных метода наиболее просты в реализации и дают наилучшие результаты по быстродействию, засчет вычисления оценки только по горизонтальному и вертикальному направлениях.

Алгоритм Кирша отличен тем, что использует маску, которая вращается по 8 основным направлениям: север, северо-запад, запад, юго-запад, юг, юго-восток, восток и северо-восток. Таким образом, максимальное значение по маскам, определяет направление границы. Данный подход показывает более качественный результат: границы не сливаются между собой.

Алгоритм Лаплассиан Гауссиана использует вторую производную и выполняется в 2 шага: сглаживание изображения и вычисление функции Лапласса. Однако в ходе такого преобразования получаются двойные границы, которые необходимо убрать с помощью нахождения нулей на их пересечении.

Данный метод более сложен, чем рассмотренные выше, однако его применение позволяет сбалансировать характеристики по быстродействию и качеству выполняемого преобразования. К тому же здесь можно регулировать масштабный коэффициент, который влияет на качество полученного изображения.

Алгоритм Кенни в общем случае состоит из нескольких этапов : фильтрация шумовой составляющей; вычисление модулей и направлений градиентов; поиск локальных максимумов модуля градиента; двойная пороговая фильтрация выделенных граничных точек; объединение границ в связные контуры.

Данный алгоритм позволяет решить минус предыдущих алгоритмов: большое влияние шума на конечный результат. Также данный алгоритм позволяет устанавливать пороговую границу, благодаря чему изменять количество выделяемых границ. Однако данные преимущества в качестве выполнения сказываются на быстродействии алгоритма.

В результате можно сделать соответствующие выводы: все алгоритмы дают приемлемый результат выделения границ. Алгоритм Кенни и Лаплассиан Гауссиана имеют преимущество в виде установленного порога для границ изображения. Однако данные методы проигрывают остальным по сложности реализации и быстродействию.

В таком случае становится необходимым поставить задачу модификации методов детектирования границ с целью оптимизации по всем параметрам сравнения: качеству выполнения (показатели Кенни), трудоемкости и быстродействию.

 

Список литературы:
1. Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика, Т. 39-1, 2015. – С. 119-125.
2. Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С. Некоторые методы сравнительного исследования детекторов границ// Труды научно-исследовательского института системных исследований Российской академии наук. 2012, том.2 , № 1. - С. 4-13.