Автоматическая классификация изображений по текстурным признакам

Московский Государственный Университет Дизайна и Технологий

Реферат

по предмету: "Технологии обработки информации"

на тему: "Автоматическая классификация изображений по текстурным признакам"

Выполнила студентка группы МИД-14

направление ИТиКД

Горбачева А.А

Проверил Борзунов Г.И

Москва 2016

Содержание

Введение

. Исследование анализа текстур. Методы текстурного анализа в наше время

. Система текстурного анализа изображений

. Примеры текстурной сегментации одноканальных изображений

Заключение

Список использованной литературы

Введение

Большая часть естественных сцен лишена существенных деталей на больших пространствах. В этих областях сцену часто можно охарактеризовать как проявление повторяющейся структуры, аналогичной структуре ткани или узору кафельного пола. Можно привести много примеров, когда желательно определять границы текстурной области и размер зерна текстуры внутри каждой области. Некоторые исследователи пытались дать качественное определение текстуры. Пикетт дал такую формулировку: "текстура используется для описания двумерных массивов изменений яркости. Элементы текстуры и правила их пространственной организации или расположения можно произвольно менять, если только остаются неизменными характеристики повторяемости изменений яркости". Хоукинс дал более подробное описание текстуры: "По-видимому, текстура охватывает следующие свойства изображения: 1) в нем можно найти фрагмент, "рисунок" которого регулярно повторяется в пределах области, которая велика по сравнению с размером фрагмента; 2) этот "рисунок" образуется элементарными составными частями фрагмента, размещенными в некотором неслучайном порядке; 3) элементарные части - это примерно однородные единицы, имеющие приблизительно одинаковую форму во всей текстурной области".

Текстуру можно разделить на искусственную и естественную. Искусственные текстуры - это структуры из графических знаков, расположенных на нейтральном фоне. Такими знаками могут быть отрезки линии, точки, звездочки или буквы и цифры. Несколько примеров искусственных текстур представлено на рис.1 . Естественные текстуры, как подразумевается в их названии, это изображения естественных сцен, содержащие почти периодические структуры. Примерами могут служить фотографии кирпичных стен, черепицы крыш, песка, травы и т.д. На рис. 2 приведено несколько примеров естественных текстур. Дальнейший анализ текстур ограничен естественными текстурами.

Текстура часто описывается размером ее зерна. Например, кусок шерстяной ткани "грубее" куска шелковой ткани при одинаковых условиях наблюдения. Ясно, что размер зерна недостаточен для количественного измерения текстуры, но его можно по крайней мере использовать для оценки направления, в котором должны изменяться текстурные признаки, т. е. малые численные значения признаков должны соответствовать мелкой текстуре, а большие значения - крупной. Нужно учитывать, что текстура - это свойство окрестности точки изображения. Следовательно, текстурные признаки по своей природе зависят от размера окрестности, на которой они определяются. Поскольку текстура - пространственное свойство, измерения ее признаков должны быть ограничены областями, обладающими относительной однородностью. Поэтому, прежде чем делать попытки измерить текстуру, необходимо установить границы области однородной текстуры путем наблюдения или с помощью одного из методов автоматической сегментации изображения.

Рис.2.[1] Примеры естественных текстур: а - трава; б - плющ; в - кирпичная кладка; г - решетка.

Рис.3.[1] Примеры синтеза текстур: а - естественная трава; б - искусственная трава; в - естественный плющ; г - искусственный плющ.

При обработке изображений часто оказывается полезным синтез текстуры. Например, если на картинке недостает какой-либо области или же она сильно искажена шумом, то ее можно заменить областью с искусственной текстурой. Кроме того, при кодировании изображений можно выделить текстурные области, на которых отсутствуют важные детали, и измерить параметры текстуры, а при декодировании каждую такую область можно заменить искусственной текстурой. По-видимому, такое кодирование окажется более эффективным по сравнению с непосредственным кодированием изображения.

Основной подход к синтезу текстур заключается в создании некоторого базисного первичного образа и в повторении этого образа в плоскости изображения согласно некоторым правилам расстановки. Базисным образом может быть маленький кусочек, выделенный из области с естественной текстурой или же составленный из более мелких элементов, таких, как точка или отрезки прямых линий. Расстановку первичных образов можно выполнять определенно, случайным образом или же следовать некоторой смешанной стратегии. Необходимо также учитывать эффекты "ложных" контуров на стыках первичных образов. Обычно необходимо выполнить некоторое сглаживание, чтобы избежать таких эффектов.

1. Исследование анализа текстур. Методы текстурного анализа в наше время

Наибольшие усилия исследователей в области анализа текстур были направлены не на выявление новых текстурных признаков, а на использование известных признаков для распознавания образов. Например, Харалик и Шанмуган использовали признаки, полученные на основе гистограммы яркостей второго порядка, для классификации спектрозональных аэрофотоснимков, а Уэшка, Дайер и Розенфельд исследовали классификацию местности с помощью нескольких типов текстурных признаков. Крюгер, Томпсон и Тернер применили текстурные признаки для обнаружения и классификации антракоза легких у горняков по рентгеновским снимкам грудной клетки. Кроме того, Зобрист и Томпсон использовали текстурные признаки для разработки функции, которая оценивает различие между текстурными областями.

В настоящее время в результате интенсивных исследований получили широкое распространение методы текстурного анализа, применяющиеся в решении задач классификации и сегментации изображений. Данные методы разделяют на 4 категории:

·    геометрические

·        статистические

·        методы, основанные на моделях

·        методы, основанные на обработке сигналов

Среди наиболее широко используемых традиционных методов выделяют статистические методы, основанные на матрицах смежности статистик их уровней серого второго порядка или статистики первого порядка свойств локальных значений (разница гистограмм), методы обработки сигналов на основе локальных линейных преобразований, многоканальная фильтрация Габора или вейвлет, и модели на основе методов, основанных на марковских случайных полях или фракталов. Большинство из предложенных методов не способно выполнять текстурный анализ достаточно хорошо для реальной текстуры и в вычислительном отношении слишком сложно для удовлетворения требований к реальному времени многих приложений компьютерного зрения. В последние годы были предложены методы, способные эффективно разделять текстуры с помощью вычисления локальных дескрипторов, например, Local binary patterns (LBP), что привело к значительному прогрессу в методах применения текстуры к различным проблемам компьютерного зрения. В настоящее время область исследования расширилась от 2D текстур до 3D текстур и динамических текстур, текстурный анализ охватил такие современные области компьютерного зрения, как распознавание лиц, распознавание выражения лиц, распознавание объектов, вычитание фона, визуальное распознавание речи и распознавание действий и походки.

Разработан метод классификации цифровых изображений текстур на основе локально-полиномиальной аппроксимации. Данный метод создает дескриптор, позволяющий классифицировать широкий класс текстурных изображений, взятых из различных наборов изображений. Высокая эффективность классификации текстурных изображений указывает на такие свойства дескриптора, как инвариантность к освещению, контрастности, масштабу.

Класс методов формирования дескрипторных значений основан на обработке локальных областей изображений различных форм. Как правило, используются не перекрывающиеся блоки небольших размеров. Все блоки преобразуются в вектора различными способами: по кругу относительно центрального пикселя, по периметру локальной области и т.д. Таким образом, используя вектор каждой локальной области изображения, формируется локальный дескриптор, который представляет собой комбинацию локальной гистограммы яркости текстурированного изображения или специально сформированный вектор, массив.

2. Система текстурного анализа изображений

Приводится описание системы текстурного анализа изображений. Перечислены возможности системы применительно к цветным изображениям, заданным с использованием RGB и HLS цветовых параметров.

Текстурная сегментация.

Одним из приемов, используемых для характеристики участков изображения, лишенных значительных краевых градиентов, является текстурный анализ. В обработке изображений текстурный анализ находит целый ряд применений. Измерения параметров текстур позволяют классифицировать участки изображений. Изменения текстуры можно использовать для пространственного разделения (сегментации) изображений.

Разработанная система текстурного анализа изображений обеспечивает:

· вычисление матриц пространственной смежности для любой конфигурации соседних пикселей и любой разрядности анализируемого параметра;

· вычисление матриц пространственной смежности, нормализованной относительно общего числа пикселей обрабатываемого изображения и относительно теоретического максимального значения в данной матрице;

· визуализация матриц пространственной смежности в виде полутоновых изображений и числовых таблиц;

· возможность проведения сегментации изображения на базе матрицы пространственной смежности по любому из цветовых параметров и с использованием ее статистических характеристик.

При первичном отборе статистик учитывается независимость текстурных признаков, были выбраны независимые:

контраст - мера распространения уровней яркости

обратный момент - мера локального сходства

сумма квадратов

корреляция

энтропия - мера "беспорядка" на изображении.

Текстурная сегментация осуществлена путем слияния трех текстурных изображений в RGB-изображение. Количество возможных размещений из пяти текстурных признаков равны 60 вариантам. Но легко заметить, что текстурные признаки можно объединить в две группы по перепадам значений яркости пикселей в исследуемом окне, и во вторую группу входят обратный момент и корреляция, значения которых больше с перепадом значений яркости пикселей в соседних точках.

Для однородной области значения признаков первой группы небольшие, для второй группы наоборот. Признаки второй группы желательно использовать для идентификации водных и других гладких поверхностей и определить им синий цвет при RGB-сегментации. Признаки первой группы желательно связать с красным и зелеными цветами. Перемена местами признаков первой группы меняет цветовую гамму незначительно при слиянии изображений.

Преимуществом текстурной сегментации является возможность в той или иной степени интерпретировать изображение без априорной информации, дает предварительную информацию для дальнейшей классификации изображения с обучением.

. Примеры текстурной сегментации одноканальных изображений

Радиолокационные изображения

Текстурная РГБ сегментация дает возможность, используя только одну поляризацию, осуществить сегментацию РЛИ, сравнимую с классификацией, использующей полную поляриметрию. Для примера на рисунке ниже дано текстурное РГБ РЛИ со следующей цветовой кодировкой: энтропия - красный цвет, контраст - зеленый, обратный момент - синий цвет. Текстура вычислялась на предварительно фильтрованном с помощью поляриметрического фильтра изображении. При сравнении текстурного РЛИ на рисунке а, полученного для одной поляризации, с другим рисунком б, где дана классификация по механизмам рассеяния Фримана и Дурдена для РЛИ с полной поляриметрией после фильтрации спеклов, обнаруживаем сходство обоих изображений в сегментации области с определенным механизмом рассеяния.

Рис.4[2]

Панхроматические изображения

Панхроматическая мода выполняется в одном спектрально канале, соответствующем видимой части электромагнитного спектра. Единственный канал моды дает черно-белое изображение. На рисунке а ниже показано панхроматическое изображение. Одно из текстурных РГБ изображений (контраст - красный, энтропия - зеленый, обратный момент - синий цвет) приведено на рисунке б ниже. Для сравнения с текстурной сегментацией приведен пример кластеризации исходного изображения с числом кластеров.

На текстурном изображении б желтый цвет соответствует городской застройке, строения с большим перепадом высот имеют малиновый цвет, река - синий, парки - темно-синий цвет. На изображении, полученном кластеризацией, обнаруживается неверно классифицированные группы пикселей - это паровые зоны в левой части изображения и изгиб реки в правом нижнем углу.

Рис.5[2]

Заключение

изображение текстурный гистограмма сегментация

В ходе работы были разобраны понятия и принципы работы анализа изображений, изучены принципы работы в исследование анализа текстур, а так же методы текстурного анализа в наше время.

Так же по мере исследования была составлена система текстурного анализа изображений и были приведены примеры текстурной сегментации одноканальных изображений.

Предложенная и продемонстрированная на нескольких примерах текстурная РГБ сегментация позволяет получить предварительную информацию об объектах на изображении без априорного знания, что является преимуществом перед кластеризацией и является шагом к классификации изображения.

Список использованной литературы

1. Прэтт У. Цифровая обработка изображений: Пер.с англ. - М.:Мир, 1982. - Кн.1-312 с.

. Родионова Н.В. Текстурная сегментация одноканальных изображений//Современные проблемы дистанционного зондирования Земли из космоса.2012.Т 9.№3.65-69