«Применение ит в предварительной обработке дактилоскопических изображений» (стр. 3 из 5)

1.3 Методы локальной пороговой обработки

Локальная пороговая обработка характеризуется тем, что изображение разбивается на подобласти, в каждой из которых для сегментации используется свое значение порога. Основные проблемы при таком подходе – это, как разбить исходное изображение и как оценить порог для каждой полученной области. Поскольку порог, применяемый для каждого пикселя, оказывается зависящим от характеристик подобласти, содержащей данный пиксель, то такое пороговое преобразование является адаптивным. Если в случае глобальных методов для вычисления порога анализируется гистограмма всего изображения, то при локальных методах порогового преобразования исследуются гистограммы фрагментов изображения.

Метод Бернсена

Все изображение делится на квадраты

(r – нечетное) с центром в точке (m, n). Для каждого пикселя изображения в пределах квадрата используется порог, имеющий значение

где

и являются соответственно наименьшим и наибольшим уровнем яркости в квадрате. Если в принятой области используемая мера контраста удовлетворяет условию

где

заданная пороговая величина, то исследуемый квадрат содержит объекты только одного класса: объектов или фона. В случае, например, документов с текстом такие пиксели классифицируются как области фона, потому что редко случается ситуация, чтобы знак на изображении занимал большое пространство. Исследования показывают, что наилучшие результаты достигаются для значений и .

Метод Чоу и Канеко

Данный метод является одним из самых ранних примеров сегментации изображения путем локальной пороговой обработки с оптимальным порогом. Для вычисления оптимальных порогов изображение разбивалось на области по сетке

с 50% перекрытием соседних областей. После вычисления гистограмм всех областей, выполнялась проверка их бимодальности, чтобы отсеять области с унимодальными гистограммами. Если гистограмма области имеет ярко выраженную бимодальную структуру, это указывает на присутствие границы. Напротив, если гистограмма является унимодальной, это говорит об отсутствии в этой области двух заметно различающихся фрагментов изображения.

Локальные пороги вычислялись только для областей с бимодальными гистограммами путем аппроксимации последних гауссовыми кривыми плотности распределения с последующим определением значения оптимального порога, находящегося в точке пересечения кривых (рисунок 2).

Рисунок 2. Значение оптимального порога

Для унимодальных областей пороги вычислялись путем интерполяции найденных оптимальных порогов. После этого проводилась повторная интерполяция с использованием значений ближайших порогов, так что в результате этой процедуры каждой точке изображения был присвоен некоторый свой адаптивный порог, зависящий от характеристик той области изображения, в которую попадает пиксель.

Метод Эйквила

В предложенном методе пороговой обработки используются два окна r и R, из которых большее по размерам (окно R) служит для вычисления значения порога, в то время как меньшее (окно r) определяет область изображения, в которой будет использоваться полученный порог. Оба окна перемещаются параллельно по изображению с шагом, равным размеру меньшего окна r, и каждый раз для всех элементов окна R вычисляется оптимальный порог по методу Отса. Если вычисленные средние значения

и различаются сильно и для них выполняется условие , где – заданный параметр, то пиксели внутри окна r подвергаются бинаризации в соответствии с вычисленным порогом t. Если же , то все пиксели внутри окна r относятся к классу с ближайшим средним значением. Обычно в данном методе используются следующие значения параметров , и (рисунок 3).

Рисунок 3. Пороговые области

Метод Ниблацка

Рассмотрим еще один пример техники локальной пороговой обработки. В данном методе для каждого пикселя изображения используется свое значение порога. Определение величины порога происходит на основе вычисления локального среднего и локального среднеквадратического отклонения. Значение порога в точке с координатами (m, n) вычисляется в соответствии с формулой:

где

– среднее, а – среднеквадратичное отклонение в локальной окрестности точки изображения (m, n).

Размер окрестности должен выбираться таким образом, чтобы, с одной стороны, при обработке сохранялись локальные детали, а с другой – чтобы можно было устранить шумы. Экспериментальные исследования показывают, что для окна

и коэффициента удается получить на изображении хорошо разделенные объекты и фон.

Глава 2 Адаптивная техника пороговой обработки.

Для зашумленных изображений, имеющих низкое качество, например, изображений, имеющих неоднородные или изменяющиеся яркости фона, или же изображений, характеризующихся сложной текстурой фона, большой проблемой является то обстоятельство, что ни один из алгоритмов пороговой обработки не может дать удовлетворительных результатов в случае присутствия на изображении различных видов помех.

Адаптивный алгоритм пороговой обработки базируется на идее сопоставления уровня яркости преобразуемого пикселя со значениями локальных средних, вычисляемых в его окружении. Пиксели изображения обрабатываются поочередно путем сравнения их интенсивности со средними значениями яркости в окнах

c центрами в точках P_l(l = 0, 1, .., 7) (рисунок 4).

Рисунок 4. Преобразование пикселя

Если символ 1 означает элемент объекта, а 0 – элемент фона в результирующем бинарном изображении, то значение преобразованного пикселя (m, n) становится равным 1 тогда, когда для всех l = 0, 1, .., 7 выполняется условие

где t – определенный параметр,

– средняя локальная яркость,

f (m_l, n_l) – яркость в точке P_lс координатами (m_l, n_l).

Например, при анализе и распознавании документов параметр K определяется как средняя толщина линий рисунков и символов.

Автоматическое и адаптивное определение величины локального параметра t вместо использования глобального значения позволяет устранить ошибки порогового преобразования. Параметр t вычисляется в соответствии с алгоритмом:

1. В окне

с центром в преобразуемом пикселе f (m, n) вычисляются значения:

2. Вычисляются величины:

3. Если

, то локальное окно , скорее всего, содержит больше локальных низких яркостей, поэтому

,

где

– константа из диапазона [0.3, …, 0.8].

4. Для изображений очень плохого качества с большим шумом и низким контрастом следует использовать значение

. В большинстве же случаев достаточным является значение .