Войти
Логин:
Пароль:
Забыли пароль?
научная деятельность
структура институтаобразовательные проектыпериодические изданиясотрудники институтапресс-центрконтакты
русский | english
Лаборатория № 2 >> Основные направления исследований >> Сглаживание цветных изображений на основ...

Сглаживание цветных изображений с сохранением контуров на основе анализа расстояний в цветовом пространстве

Во многих задачах анализа видеоинформации, таких как распознавание, обнаружение и различение объектов, сегментация и др. возникает необходимость сглаживания изображения при сохранении контурных (яркостных и цветовых) перепадов между объектами. В большинстве алгоритмов сглаживания данная процедура рассматривается как устранение шума на изображении; среди них такие, как медианный фильтр, адаптивный линейный фильтр, метод масок, метод сглаживания по выборочным соседям, сглаживание, обратное градиенту, сигма-фильтр, и другие. Но во всех случаях предполагается, что сглаживание происходит по небольшой локальной окрестности обрабатываемого элемента со стороной размерами в несколько элементов, тогда как зачастую требуется сглаживание по значительно большей площади, размерами в несколько десятков элементов. Большинство указанных методов при этом оказываются неприменимыми.

Для решения данной задачи предлагается использовать подход к трактовке методов, основанных на порядковых статистиках, путем введения термина расстояния R(xy) между точками x и y в пространстве значений. При этом вместо термина интервал (например, величиной ±δ), используемого в различных алгоритмах фильтрации (в частности, в сигма–фильтре), будем говорить о множестве точек, отстоящих от x на расстояние не более чем δ. Это позволяет ввести метрику на пространстве значений элементов. В принципе, пространство может быть и неоднородным, т.е. возможно, что R(xx + δ) ≠ R(yy + δ), если x ≠ y. По существу такой подход является обобщением многих алгоритмов, в классической формулировке которых используется интервал в вариационном ряду значений элементов.

Переход от интервала значений к расстоянию в пространстве распределения позволяет расширить применение многих методов порядковой статистики и перейти от одномерного к многомерному распределению. Для этого нужно задать способ вычисления расстояния R(xy) между парами точек в пространстве распределения значений, задаваемых векторами x и y, и задать метрику в этом пространстве. Такой подход также снимает ограничения на возможность использования исключительно пространств, основанных на яркостно–цветовых значениях элементов (RGB или аналогичных). Вместо этого становится возможным использование и более удобных для описания цвета пространств, в которых яркостная и цветовая информация разделены, таких, например, как BHS, Lab, Luv, или других. Неоднородность пространства при этом может быть как в отношении яркостной, так и цветовых составляющих; так, например, можно использовать известные данные МакАдама о различимости цветовых оттенков.

Такая интерпретация интервала через максимальное расстояние позволяет модифицировать предложенный в алгоритм сглаживания, обеспечивающий сохранение контурных перепадов, следующим образом. Для обрабатываемого элемента со значением x0 рассматриваются последовательно два окружающих его множества элементов: малое (окрестность) M1 и большое (фрагмент) M2. Первоначально выбирается набор элементов y1,..., yN окрестности M1 (N < M1) с центром сгущения x0 таких, что R(x0yn) £ δ1, где δ1 – задаваемая величина максимально допустимого расстояния. Если оказывается N < Nmin1, т.е. меньше некоторого заданного минимального числа элементов, то δ1 увеличивается так, чтобы в это множество попадало не менее Nmin1 элементов. По выбранному множеству y1,..., yN находится среднее значение S1, которое есть результат сглаживания по окрестности. Затем S1 выступает в качестве центра сгущения для элементов большого фрагмента M2. Аналогично выбирается набор элементов y1,..., yN фрагмента M2 (N < M2) с центром сгущения S1 таких, что R(S1yn) £ δ2, где δ2 – максимально допустимое расстояние для фрагмента. Если оказывается, что N < Nmin2, т.е. меньше некоторого заданного минимального числа элементов, то δ2 увеличивается так, чтобы в это множество попадало не менее Nmin2 элементов. По второму выбранному множеству y1,..., yN находится среднее значение S2. Это значение считается результатом сглаживания по фрагменту и записывается в соответствующую точку изображения вместо первоначального значения.

НОВОСТИ И ОБЪЯВЛЕНИЯ
Биоинформатики ИППИ РАН Егор Базыкин и Дмитрий Родионов вошли в список лучших молодых ученых России ...
Семинар лаборатории № 8: 8 декабря в 14:30 в ИПЭЭ РАН. Е.М. Максимова. Уточнение стратификации оконч...
Сотрудники сектора молекулярной эволюции №4 Егор Базыкин и Александр Панчин в программе "Один Вадим"...
Заведующий Сектором геоинформационных технологий и систем ИППИ РАН Валерий Гитис в программе "Черны...
Открытый семинар Сектора анализа данных в нейронауках №10.3: 7.12.2016 (понедельник), 11:00, ауд. 61...
Семинар по структурному обучению: 08.12.2016 (четверг), 17:00, ауд.615 ИППИ. В. В. Ульянов "Асимптот...
Семинар "Структурные модели и глубинное обучение": 6.12.2016 (вторник), ауд. 615 ИППИ,18:30. Bykov...
Семинар по теории кодирования: 6.12.2016 (вторник),19:00, ауд.307 ИППИ. Сергей Еханин "Максимально в...
Все новости   
 

 

  © Федеральное государственное бюджетное учреждение науки
Институт проблем передачи информации им. А.А. Харкевича Российской академии наук, 2016
Об институте  |  Контакты  |  Старая версия сайта