Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований

Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований

Автор: Сизов, Павел Вадимович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2012

Место защиты: Рыбинск

Количество страниц: 188 с. ил.

Артикул: 5487042

Автор: Сизов, Павел Вадимович

Стоимость: 250 руб.

Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований  Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ В СИСТЕМАХ
АНАЛИЗА ИЗОБРАЖЕНИЙ
1Л Формулировка задачи сегментации.
1.2 Анализ методов сегментации изображений.
1.2.1 Анализ подходов к классификации методов сегментации и синтез классификационной системы
1.2.2 Контурноориентированные методы сегментации
1.2.3 Сегментноориентированные методы сегментации.
1.2.4 Сегментноориентированные методы связной сегментации.
1.2.5 Классификация методов сегментации
1.3 Анализ перспективных подходов к использованию методов сегментации в системах анализа изображений.
1.3.1 Особенности методов контурного анализа.
1.3.2 Модификации сегментноориентированных методов сегментации
1.3.3 Разновидности методов связной сегментации
1.3.4 Концептуальный синтез схемы метода сегментации.
1.4 Анализ способов количественной оценки эффективности процесса сегментации
1.5 Выводы по главе
1.6 Постановка задачи исследования.
ГЛАВА 2. СИНТЕЗ ВЫСОКОУРОВНЕВЫХ МОДЕЛЕЙ И МЕТОДОВ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ
2.1 Иерархическая модель системы анализа изображений
2.2 Многомерная модель представления исходных данных в системе сегментации изображений
2.2.1 Способ многомасштабного спектрального представления исходных данных сегментации.
2.2.2 Способ текстурного анализа изображений на основе многомасштабного анализа и вейвлетпреобразования.
2.2.3 Способ многомасштабного контурного анализа на основе вычисления оператора Собела.
2.3 Метод сегментации изображений на основе выращивания и слияния областей.
2.3.1 Способ автоматического определения центров кристаллизации
2.3.2 Способы реализации процессов выращивания и слияния областей
2.3.3 Способ автоматического определения оптимального состояния процесса слияний областей.
2.4 Выводы по главе
ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ ОПТИМИЗИРОВАННЫХ АЛГОРИТМОВ РЕАЛИЗАЦИИ МЕТОДОВ ВЫРАЩИВАНИЯ И СЛИЯНИЯ ОБЛАСТЕЙ.
3.1 Методика экспериментального исследования быстродействия алгоритмов
3.2 Исследование быстродействия процессов в составе системы анализа изображений
3.3 Разработка и оптимизация алгоритмов выращивания областей.
3.3.1 Исследование классического алгоритма реализации метода выращивания областей.
3.3.2 Оптимизация алгоритма реализации метода выращивания областей
3.4 Экспериментальное исследование алгоритмов выращивания и слияния областей
3.4.1 Определение основных исследуемых величин
3.4.2 Построение статистических оценок временной сложности алгоритмов
3.5 Выводы по главе
ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ МЕТОДОВ И АЛГОРИТМОВ
4.1 Целевые прикладные эффекты реализации системы анализа изображений
4.2 Исследовательская программная система анализа изображений.
4.3 Исследование вспомогательных алгоритмов системы сегментации.
4.3.1 Алгоритм реализации способа многомасштабного спектрального представления изображений.
4.3.2 Алгоритм реализации способа текстурного анализа на основе вычисления вейвлетстатистики.
4.3.3 Алгоритм реализации способа многомасштабного контурного анализа на основе вычисления оператора Собела
4.3.4 Алгоритм реализации способа автоматического определения центров кристаллизации
4.3.5 Алгоритм реализации способа автоматического определения оптимального состояния процесса слияний областей
4.4 Экспериментальное исследование системы анализа изображений в промышленных применениях
4.4.1 Исследование характеристик пластических деформаций биметаллической пластины
4.4.2 Исследование стратегии слияния областей на основе локального правила Аго порядка.
4.5 Перспективные возможности расширения системы сегментации
4.5.1 Анализ изображений радиальных структур
4.5.2 Анализ формы объекта, восстановленной по одиночному изображению
4.5.3 Анализ семантической структуры железоуглеродистых сплавов
4.5.4 Расширение модели представления исходных данных в системе
сегментации.
4.6 Выводы по главе.
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Однако данные области сегменты, как правило, отличаются неоднородностью гетерогенностью низкоуровневых характеристик яркости, цвета, текстуры, контуров, используемых для проведения анализа изображений в технических системах, что существенно затрудняет получение качественных результатов анализа. Кроме того, со стороны технических систем анализа изображений данная проблема усиливается несовершенством методов выявления закономерностей неоднородности сегментов. Изображения, подвергаемые анализу, в контексте данного описания определим как изображения неоднородной сегментной структуры. Сегментация есть выделение однородных по какомулибо признаку областей сегментов на исходном цифровом растровом изображении. При этом, как правило, подразумевается, что выделенные на изображении сегменты имеют соответствие некоторым объектампрототипам в реальном мире. Так большинство исследователей понимают задачу сегментации 2 . Задача сегментации изображений может быть рассмотрена в одном из двух аспектов в зависимости от используемых исходных данных динамических или статических изображений и соответствующих признаковых пространств. В методах сегментации динамических изображений, исследованных, в частности, в работе М. Н. Фаворской , используются способы анализа, учитывающие динамику изменения сцены сегментации во времени. Однако в таких прикладных областях как металлография и дефектоскопия, как правило, более распространены статические изображения. Сегментация является одним из этапов обработки информации в системах анализа изображений 2, 4, . Последовательный процесс обработки изображений в таких системах можно разделить по виду исходного представления данных на две принципиальные группы операций табл. Таблица 1. Низкоуровневые операции Дискретизация, квантование, фильтрация, аффинные преобразования и др. Определим сегментацию как связующее звено между двумя выделенными уровнями рис. Рис. Именно благодаря центральному положению процесса сегментации в системах анализа изображений исследования в данной области должны вбирать в себя знания, полученные в смежных областях обработки изображений и искусственного интеллекта. Одной из фундаментальных проблем методов сегментации, как и всего компьютерного зрения, из которой следуют нерешнные теоретические вопросы, является отсутствие универсального определения объекта на изображении 1. Отсюда следует вывод, что на данный момент задача сегментации для общего случая не имеет корректной постановки 4. Именно поэтому, вопервых, многие работы в данной научной области носят практическую направленность и содержат в свом составе эвристические методы, и, вовторых, не существует единого универсального критерия для оценки эффективности данных методов. Запишем наиболее общую математическую формулировку задачи сегментации, проясняющую е цель. Пусть Р предикат гомогенности, определнный на множестве пикселов, связных на координатной сетке изображения. При этом предикат гомогенности Р5 истинен для всех сегментов 5 и ложен В случае Р и Зу при условиях, ЧТО у и сегменты 3,, 5у являются смежными
vi, ,,. Л5,5у предикат топологический смежности сегментов 5 и . К множество факторов гомогенности. Данная формулировка 1. Примем описанную постановку в качестве базовой, формализующей представление исходных и результирующих данных сегментации, но при этом не затрагивающей спорные, не разрешенные в теории компьютерного зрения вопросы получения корректной сегментации для общего случая. Общеизвестно, что в различных научных областях построение классификаций, являющихся воплощением системного подхода, позволяет упорядочить и поновому взглянуть на имеющиеся знания и, следовательно, выделить оптимальные перспективные направления исследований. Среди работ по созданию и исследованию методов сегментации изображений встречаются публикации, которые посвящены их классификации 2, 4, 5, . Но многие предложенные классификации сильно отличаются друг от друга в силу большого разнообразия методов сегментации и частого отсутствия для них общих теоретических оснований.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.240, запросов: 244