Модели и алгоритмы сегментации и фильтрации аппликативных помех на изображениях

• Автор: Калинин, Павел Владимирович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Воронеж
• Количество страниц: 160 с. : ил.

Содержание
Введение
1. Методы и алгоритмы обработки изображений в условиях импульсных и аппликативных помех
1.1. Анализ известных методов и алгоритмов обработки изображений в условиях импульсных и аппликативных помех
1.2. Алгоритмы обнаружения объектов и их границ на изображениях
1.3. Алгоритмы закраски отсутствующих фрагментов изображений
Выводы по главе
2. Моделирование аппликативных помех
2.1. Обобщенная модель аппликативных помех
2.2. Алгоритмы моделирования аппликативных помех для различных частных случаев
2.3. Анализ предлагаемой модели и реализующих ее алгоритмов
Выводы по главе
3. Оценка потенциальных и реальных характеристик восстановления изображений в условиях импульсных и аппликативных помех
3.1. Исходные понятия и соотношения для определения потенциальных характеристик восстановления случайных полей в условиях импульсных и аппликативных помех
3.2. Анализ потенциальных и реальных характеристик восстановления
случайных полей, искаженных импульсными помехами
3.2.1. Соотношения для нижней границы дисперсии ошибки восстановления случайных полей
3.2.2 Реализация конкретных процедур вычисления нижней границы дисперсии ошибки восстановления случайных полей

3.2.3. Модифицированные оценки нижней границы дисперсии ошибки восстановления случайных полей
3.3. Анализ потенциальных и реальных характеристик восстановления случайных полей, искаженных аппликативиыми помехами
Выводы по главе
4. Предлагаемые подходы и алгоритмы восстановления реальных изображениях в условиях аппликативных помех
4.1 Общая схема обработки изображения в рамках комбинированного подхода
4.2. Нейросетевой детектор границ аппликативных помех на изображениях..
4.3. Алгоритм выделения аппликативных помех на основе поиска кратчайшего
пути вдоль контура помехи
4.4. Алгоритм выделения аппликативных помех на основе процедуры суперпиксельной сегментации изображений
4.4.1 Иерархический алгоритм суперпиксельной сегментации изображений на основе модифицированного критерия минимального разреза на графе.
4.4.2. Выделение аппликативных помех на основе иерархии суперпикселей
4.5. Программный комплекс для решения задач сегментации и фильтрации
аппликативных помех на изображениях
Выводы по главе
Заключение
Список использованных источников
Список сокращений и условных обозначений

Введение
Непрерывное развитие технологий в области получения и анализа изображений и значительное повышение вычислительного потенциала современных компьютеров обуславливают появление новых методов и алгоритмов машинного обучения [36], автоматической обработки цифровых изображений и видео [6,18]. Задачи обработки изображений возникают в системах видеонаблюдения и регистрации изображений, технической и медицинской диагностики, цифровой фотографии, системах дистанционного мониторинга [6,18,49]. Цифровые изображения могут иметь самые различные источники. Это могут быть системы, устанавливаемые на летательных аппаратах с целью выполнения задач навигации, мониторинга, визуального контроля объектов, спутниковые системы дистанционного зондирования и мониторинга, медицинское оборудование, различного рода сканеры, применяющиеся как в промышленности, так и в домашних условиях, а также видеокамеры, фотоаппараты, мобильные телефоны. Несмотря на множество возможных источников происхождения изображений, перед разработчиками систем встают одинаковые проблемы. Основными задачами, связанными с обработкой изображений в данных системах, являются задачи улучшения их качества и тематического анализа [6,18,96]. К ним относятся, например, задачи сегментации изображений на независимые составляющие компоненты, представляющие различные объекты сцены; задачи улучшения качества изображений, например, повышение контрастности, устранение шумов и искажений; задачи объединения множества изображений одной и той же сцены в одно панорамное изображение; различные задачи получения ЗИ реконструкций как на основе видеоряда, так и на основе множества снимков одного и того же объекта под разными углами; задачи классификации изображений и распознавания объектов [96].
Изображения, формируемые в информационных системах, подвергаются воздействию помех, что затрудняет не только их восприятие человеком, но и решение любых задач в автоматическом режиме. Внесение помех в основном
согласуется с остальными участками изображения по текстуре, структура изображения нарушается. Решение данной проблемы было предложено в работе [92], где предлагается раскладывать изображение на два компонента, первый отображает структуру, а второй текстуру. Дальнейшая обработка производится отдельно для каждого компонента, причем для структурного компонента используется подход из работы [67], а для компонента текстуры используется вышеописанный подход генерации текстуры [52]. Итоговое значение затем получается простым суммированием обоих компонент. В работе [47] также был предложен подход постепенного закрашивания отсутствующих частей изображения на основе неискаженных частей, однако в данной работе вместо традиционно использовавшегося послойного наращивания области было предложено вычислять степень «надежности» синтезированного фрагмента. Дальнейший синтез изображения производится в районе фрагмента, обладающего наибольшей степенью «надежности». Особенность алгоритма вычисления надежности фрагмента заключается в использовании произведения двух членов, первый из которых обеспечивает первоочередную обработку тех не закрашенных участков, которые окружены пикселями, уверенность в правильности значений которых наибольшая. Данный член выступает в роли меры количества надежной информации, окружающей обрабатываемый участок. Таким образом обеспечивается первоочередная закраска тех фрагментов, которые уже содержат большое количество надежной информации, что позволяет эффективно найти неискаженный участок на изображении, наиболее соответствующий обрабатываемому фрагменту. Тем не менее, так как данный член быстро убывает, порядок обхода остается приблизительно круговым по границе искажения. Другой важной эвристикой алгоритма является второй член. Как и в работе [67], важную роль в его определении играют направления изофот. Данный член принимает большие значения для участков границы, в которые изофоты входят под прямым углом, и определяется как скалярное произведение нормали к границе и направления изофота. Алгоритм стремится соединять разорванные линии, таким образом, следуя описанному ранее принципу связности. Визуально,