Разработка алгоритмов построения морфологических спектров для анализа цифровых изображений и видеопоследовательностей

• Автор: Сидякин, Сергей Владимирович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 163 с. : ил.

Оглавление
Введение
1 Методы анализа формы изображений, математические морфологии и морфологические спектры
1.1. Современное состояние исследований в области описания и сравнения форм
1.2. Морфология Серра и морфологические спектры Марагоса
1.2.1. Морфологические операции на бинарных и полутоновых изображениях
1.2.2. Морфологические спектры на структурирующих элементах .
1.2.3. Известные алгоритмы вычисления морфологических операторов и морфологических спектров
1.2.4. Практические приложения морфологических спектров
1.3. Непрерывная морфология бинарных изображений Л. М. Местецкого
1.4. Критериальная проективная морфология и критериальные морфологические спектры
1.5. Выводы по Главе
2 Разработка алгоритмов построения морфологических спектров с использованием непрерывной бинарной морфологии
2.1. Вычисление морфологических спектров плоских фигур с использованием непрерывных скелетных представлений
2.1.1. Непрерывно-аналитический подход к вычислению морфологических спектров на основе скелетных представлений

2.1.2. Вычислительно эффективные алгоритмы растеризации ребер непрерывного скелетного представления
2.1.3. Дискретно-непрерывный алгоритм вычисления морфологических спектров на основе скелетных представлений
2.2. Построение морфологических спектров полутоновых изображений .
2.2.1. Полутоновая морфология Серра и морфологические спектры полутоновых изображений
2.2.2. Стековый алгоритм вычисления морфологического спектра полутоновых изображений с плоским структурирующим элементом
2.2.3. Примеры построения морфологических спектров полутоновых изображений
2.3. Использование морфологических спектров для классификации двумерных фигур и бинарных изображений
2.3.1. ЕМБ-метрики
2.3.2. Устойчивость описаний и робастное сравнение
2.3.3. Схема доказательства устойчивости сравнения морфологических спектров бинарных фигур при помощи ЕМ И метрик .
2.3.4. Робастное сравнение гистограмм изображений при помощи
ЕМ О метрик
2.3.5. Преобразование Марагоса и его связь с морфологическими спектрами
2.3.6. Устойчивость дискретных преобразований Марагоса (карт толщин) бинарных изображений
2.3.7. Устойчивость дискретных морфологических спектров фигур
2.3.8. Усеченные спектры. Инвариантность к сдвигу и повороту фигур. Сравнение форм при помощи усеченных морфологических спектров
2.3.9. Экспериментальное исследование алгоритма сравнения морфологических спектров в задачах классификации объектов
по форме
2.4. Выводы по Главе

3 Разработка алгоритма регуляризации гранично-скелетных представлений формы бинарных фигур
3.1. Проективная морфологическая регуляризация контурных многоугольников
3.2. Алгоритм динамического программирования для решения задачи РГСП
3.3. Результаты тестирования процедуры РГСП
3.4. Выводы по Главе
4 Разработка алгоритмов построения морфологических спектров по параметру сложности
4.1. Критериальные проективные морфологии и морфологические спектры по параметру сложности
4.2. Алгоритм вычисления дискретного морфологического спектра по параметру сложности
4.3. Алгоритм построения непрерывных морфологических спектров по параметру сложности
4.4. Выводы по Главе
5 Практические приложения
5.1. Использование морфологических спектров в задаче проверки подлинности металлографской печати
5.1.1. Морфологическое выделение особенностей формы металлографских усиков
5.1.2. Примеры морфологических спектров металлографской печати
5.1.3. Результаты сравнения быстродействия алгоритмов построения морфологического спектра для изображений металлографской печати
5.2. Использование карты толщин в задаче автоматической классификации движущихся людей на видеопоследовательности
5.2.1. Выделение движущегося объекта-кандидата из видеопотока
5.2.2. Построение вектора признаков выделенного движущегося объекта на основе карты толщин

последовательности. Результаты его экспериментов показали, что можно успешно решить задачу распознавания даже независимо по каждому кадру. При этом количество успешно распознанных объектов в его экспериментах существенно превысило количество ошибочных. Общее время работы алгоритма [59] составляло 5 кадров в секунду. В работе отмечено, что данный метод можно улучшить, если использовать подход прогнозирования между удачно распознанными кадрами. К сожалению, для достижения высокого быстродействия требуется дальнейшая сильная оптимизация алгоритма построения спектра.
Рассмотрим теперь задачу анализа текстуры на основе морфологического спектра Марагоса. Текстура представляет собой изображение, которое состоит из набора частиц, которых хорошо характеризует форма и плотность их распределения на изображении. Идея использовать спектр' для анализа текстуры была предложена и проанализирована Догерти в работе [65]. Сначала подготавливались структурирующие элементы, имеющие разную типовую форму (круг, отрезок, квадрат и т.д.) после чего для них вычислялся морфологический спектр. Далее анализируемое изображении текстуры разделялось на части, каждая из которых соответствовала классу типовой формы, на основе анализа ряда характеристик, рассчитанных по морфологическому спектру. Данный подход был эффективен для решения задачи сегментации текстуры, тем не менее, он не описывал характеристики текстуры, а только классифицировал текстуру относительно структурирующих элементов, которые выбирались заранее. Данное ограничение было преодолено в работе [41]. Так как морфологический спектр [14] описывает распределение объектов на изображении по их размерам, то при анализе текстуры можно отталкиваться от идеи оптимизации формы структурирующего элемента, чтобы он целиком помещался на форму элементарных частиц, которые и образуют текстуру. Допустим, были рассчитаны несколько морфологических спектров для структурирующих элементов различной формы. Структурирующий элемент, которому соответствует наименьшая дисперсия значений морфологического спектра, является наиболее близким по форме к частицам, представленным на текстуре. Оптимизация формы структурирующего элемента происходит на основе вычисления критерия минимума дисперсии значений морфологического спектра методом имитационного отжига, после чего объекты на изображении