Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Адаптивный выбор значимых текстурных признаков для сегментации мзображения

Н. В. Янова, студентка IV курса; С.С. Плеханов, студент V курса; Д. В. Юрин, к..ф.-м.н, нач. отд. ФГУП ОПТЭКС

Московский физико-технический институт

ФГУП НПП «ОПТЭКС»

 

Текстурные признаки являются важной составляющей алгоритмов сегментации и классификации изображений [1]. Наиболее широко используются признаки на основе матриц совместного распределения яркостей (матриц смежности) [1,2].

Предлагается алгоритм вычисления вышеупомянутых признаков с представлением матрицы смежности в виде двоичного дерева, ключ которого составляется путем суммирования двух величин. Первая из них есть интенсивность одного из смежных пикселей, а вторая  - интенсивность второго пикселя сдвинутая влево побитово на количество разрядов, соответствующее числу градаций интенсивности для исходного изображения. Значение счетчика представляет непосредственно значение матрицы смежности. Алгоритм обеспечивает высокое быстродействие и требует мало памяти.

Ниже приведены некоторые простейшие текстурные признаки, на основе матрицы смежности, всего же на сегодняшний день их разработано более двух десятков [1,2] Entropy =  - \sum\limits_{ij} {p_{ij} \log p_{ij} } Homogeneity = \sum\limits_{ij} {\frac{{p_{ij} }}{{1 + \left( {i - j} \right)^2 }}} ,  где  p_{ij}  = \frac{{N_{ij} }} {{N_0 }}N_0  = \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^M {N_{ij} } } , где N_{ij}  - количество пар точек яркостью i и j на расстоянии d в направлении q в пределах рассматриваемой области, M- количество градаций яркости, N_0  - приблизительно равно числу точек изображения в рассматриваемой области.

Для большинства естественных изображений лишь небольшой набор признаков является информативным, причем он различен для каждого исследуемого изображения. Поэтому возникает задача адаптивного выбора наиболее информативных признаков. В задачах типа сегментации абсолютное значение признака не важно, существенно то, что оно разное для соседних объектов и образует ярко выраженную границу. Пусть I_i \left( {x,y} \right) - яркость точки (x,y) изображения i-го текстурного признака, построенного по одному исходному изображению. Создадим набор новых изображений  J_i \left( {x,y} \right) [2]:

J_i  = \sum\limits_j {A_{ij} } I_j, \Lambda _{ij}  = \left\langle {(J_i  - \left\langle {J_i } \right\rangle )(J_j  - \left\langle {J_j } \right\rangle )} \right\rangle , C_{ij}  = \left\langle {(I_i  - \left\langle {I_i } \right\rangle )(I_j  - \left\langle {I_j } \right\rangle )} \right\rangle .

Потребуем, чтобы ковариационная матрица \Lambda была диагональной, тогда задача нахождения матрицы А сводится к задаче на собственные векторы: \Lambda  = ACA^T . Дисперсия по изображению J_i \left( {x,y} \right) есть D(J_i ) = \Lambda _{ii}  = \lambda _i - собственные значения матрицы A. Т.к. яркости I_i и J_i принимают дискретные значения в диапазоне [0,I_{\max } ], то изображения, для которых \lambda _i  < {{\mathop {\max }\limits_i \{ \lambda _i \} } \mathord{\left/  {\vphantom {{\mathop {\max }\limits_i \{ \lambda _i \} } {I_{\max } }}} \right. \kern-\nulldelimiterspace} {I_{\max } }} не содержат информации, и могут быть отброшены.

В настоящей работе исследовалась эффективность использования полученных значимых текстурных признаков для сегментации изображений.

Литература

Niels Haering and Niels da Vitoria Lobo. A Framework for Designing Event Detectors. University of Central Florida Technical Report CS-TR-99-01. January, 1999 У.Прэтт. Цифровая обработка изображений: Пер с англ. -М.:Мир,1982. 790 стр. в 2 т.
Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика