Агломеративная сегментация и поиск однородных объектов на растровых изображениях

• Автор: Митропольский, Николай Николаевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 137 с. : ил.

Содержание
Введение

Глава 1. Обзор задач и методов цифровой обработки изображений

1.1. Компьютерное зрение и прикладные задачи.

1.2. Основные методы обработки изображений

1.3. Поиск и распознавание объектов на растровых изображениях.

1.4. Сегментация изображений

1.5. Постановка задачи исследовательской работы.

Глава 2. Комплексное применение метода теапэЫЛ и фильтра Собела

2.1. Метод шеапБЫЛ.

2.2. Построение карты градиента на основе фильтра Собела

2.3. Сегментация изображений с ограничением по градиенту
2.4. Сегментация изображений с применением алгоритма разрастания
регионов по пути наименьшего сопротивления
2.5. Вычислительный эксперимент и интерпретация результатов.
2.6. Оценка вычислительной сложности разработанных алгоритмов
сегментации.
2.7. Выводы по главе 2
Глава 3. Агломеративная сегментация методом шеапН1
3.1. Общие принципы агломеративной стратегии
3.2. Автоматический выбор размера окна. Вес точки.
3.3. Вариации структур данных и алгоритмов на различных этапах
агломеративной сегментации
3.4. Выводы по главе 3.
Глава 4. Поиск однородных объектов.
4.1. Многоуровневое выделение сегментов.
4.2. Сопоставление с образцом.
4.3. Вычислительный эксперимент и сочетание с другими алгоритмами
4.4. Программная реализация.
4.5. Выводы по главе 4
Основные выводы и результаты.
Литература


Единственным параметром алгоритма является размер окна Н. Невысокая скорость. Процедура вычисления вектора среднего сдвига требует больших вычислительных ресурсов. Чувствительность к выбросам. В результате сегментации методом теап-вЫй появляются небольшие области, не несущие информации о семантической структуре изображения, но требующие затрат на обработку при интеллектуальном анализе результатов сегментации. Чувствительность к размерам окна. Ый является размер окна И и его значение оказывает значительное влияние на результат. Для сокращения времени, затрачиваемого на процедуру в целом, в диссертационной работе предлагается вычислять вектор среднего сдвига не для всех точек изображения. Показано, что это позволяет добиться существенного увеличения скорости работы при незначительном снижении качества сегментации. Вычисление вектора среднего сдвига происходит для каждой точки независимо и в работе рассматривается методика вычисления, основанная на выполнении процедуры теап-вЫЙ параллельно для каждой точки. Эго приводит к значительному увеличению скорости процедуры. Проводятся эксперименты, показывающие, что по скорости выполнения процедуры результаты «параллельного теап-яЫЙ» сходны с тем, что получаются при вычислении вектора среднего сдвига не для всех точек. Обосновывается нецелесообразность совмещения этих двух методов. Делается вывод, что в случаях, если вычислительная система обладает соответствующими возможностями, имеет смысл применять параллельный сдвиг, в противном случае для повышения быстродействия придётся пожертвовать качеством сегментации и вычислять вектор не для всех точек. Представлен подход к сегментации изображений с ограничением по градиенту. Этот метод основан на применении процедуры теап-зЫй с использованием информации о градиенте как ограничивающего фактора при разрастании областей. Рассмотрен подход к сегментации изображений с применением алгоритма разрастания регионов «по пути наименьшего сопротивления». В этом случае информация о градиенте используется для управления процессом объединения областей таким образом, чтобы первыми в область включались точки, имеющие наименьшее значение градиента, при этом вводится некоторое максимальное значение градиента, по достижении которого добавление точек прекращается. Данный способ позволяет увеличить скорость процедуры сегментации, поскольку даёт возможность использовать небольшие значения размера окна. В третьей главе описывается метод сегментации, основанный на совместном использовании метода теап-БЫй и агломеративной стратегии. Необходимость выбирать размер окна к при настройке алгоритма на работу с конкретными данными. Значительное возрастание времени работы при увеличении размера окна к. Последнее принимает особое значение ввиду того, что размер окна влияет на количество получаемых в результате кластеризации областей, причем, чем больше размер окна, тем меньше кластеров будет получено, а именно небольшое количество кластеров, как правило, является целыо кластеризации. Для решения проблемы возрастания времени работы при увеличении размеров окна в работе предлагается использовать агломеративную стратегию, то есть производить кластеризацию в несколько этапов, где каждый следующий этап кластеризации работает с набором точек, состоящим из центров кластеров предыдущего этапа. Каждый следующий этап работает с большим размером окна, но со значительно меньшим количеством точек, что также сокращает время работы. В итоге общее время работы сокращается. В этом случае проводится несколько процедур среднего сдвига (причем их количество в общем случае неизвестно) и для каждой требуется выбор параметра к, причём в случае многомерных данных несколько параметров к. Поэтому в работе предложен метод, позволяющий автоматически выбрать размер окна. Метод обеспечивает рост размеров окна по мере уменьшения количества точек, что необходимо для реализации агломеративной стратегии. Рассмотрены различные варианты алгоритмов и структур данных для хранения точек на каждом этапе сегментации.