Воропаев В.Д.
АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ ЗОН НА ИЗОБРАЖЕНИИ С ПРИВЯЗКОЙ К МНОГОУГОЛЬНЫМ ШАБЛОНАМ *
Аннотация:
в работе представлена методика автоматизированного выделения зон на изображении с привязкой к многоугольным паттернам. Процесс включает в себя адаптацию и интеграцию десяти различных алгоритмов обработки изображений. Результаты исследования подтверждают высокую эффективность предложенного подхода в задаче автоматического выявления зон, основываясь на их визуальных атрибутах.
Ключевые слова:
обработка изображений, выравнивания гистограммы, гауссово размытие, цветовая фильтрация, преобразование Хафа, выделение зон
DOI 10.24412/2712-8849-2023-1269-1067-1081
УДК 004.932
Воропаев В.Д.
студент второго курса магистратуры кафедры
«Информационные системы и телекоммуникации»
Московский государственный технический университет
им. Н.Э. Баумана
(г. Москва, Россия)
АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ ЗОН
НА ИЗОБРАЖЕНИИ С ПРИВЯЗКОЙ
К МНОГОУГОЛЬНЫМ ШАБЛОНАМ
Аннотация: в работе представлена методика автоматизированного выделения зон на изображении с привязкой к многоугольным паттернам. Процесс включает в себя адаптацию и интеграцию десяти различных алгоритмов обработки изображений. Результаты исследования подтверждают высокую эффективность предложенного подхода в задаче автоматического выявления зон, основываясь на их визуальных атрибутах.
Ключевые слова: обработка изображений, выравнивания гистограммы, гауссово размытие, цветовая фильтрация, преобразование Хафа, выделение зон.
Введение.
В современной науке и технологиях обработка изображений занимает одно из ведущих мест, поскольку она находит применение в самых разнообразных областях, включая медицину, космические исследования и безопасность. Особый интерес представляет задача автоматического выделения зон на изображениях, которая обусловлена необходимостью анализа и интерпретации визуальной информации в различных прикладных задачах. В работе [3] было показано, что эффективное выделение и анализ зон на изображениях может значительно повышать точность и скорость обработки данных.
В рамках данной работы были исследованы и применены такие методы обработки изображений, как выравнивание гистограммы, гауссово размытие и цветовая фильтрация. Метод выравнивания гистограммы часто используется для улучшения контрастности изображений [2]. Гауссово размытие [1] эффективно в сглаживании изображений и уменьшении шума, но сохраняет при этом важные детали и контуры объектов. Цветовая фильтрация была использована для выделения объектов на изображении.
В данной статье представлен комплексный подход к задаче автоматического выделения зон на изображениях, который охватывает использование привязки к многоугольным шаблонам в сочетании с методами обработки изображений.
Реализация.
В рамках проведенного исследования был выполнен анализ исходного изображения, представленного на рисунке 1, демонстрирующего кадр из видеозаписи.
Рис. 1. Кадр, представляющий исходное изображение.
Для повышения контрастности изображения было решено применить метод выравнивания гистограммы. Данный метод предполагает модификацию распределения интенсивности пикселей на изображении, что позволяет улучшить визуальное восприятие графических данных. В частности, применение выравнивания гистограммы способствует усилению контрастности, делая темные участки изображения более насыщенными, а светлые — более яркими.
На начальном этапе была проведена детальная обработка гистограммы исходного изображения, что позволило получить точное представление о распределении интенсивности пикселей. Последующее применение преобразования к гистограмме обусловило её равномерность. Таким образом, было достигнуто равномерное распределение интенсивностей пикселей на изображении. Визуализация процесса выравнивая гистограммы представлена на рисунке 2.
Рис. 2. Визуализация процесса выравнивания гистограммы.
В результате применения операции была получена модифицированная гистограмма, которая использовалась для дальнейшего перераспределения интенсивности пикселей на изображении, что привело к улучшению общего визуального качества графических данных. Иллюстрация исходной гистограммы цветов изображения представлена на рисунке 3.
Рис. 3. Исходное изображение с гистограммой цветов.
Результат применения выравнивания гистограммы изображен на рисунке 4. В результате выравнивания гистограммы наблюдалось значительное усиление яркости и улучшение визуального восприятия изображения. Было зафиксировано, что распределение гистограммы цветов в каждом канале RGB стало значительно более равномерным, что свидетельствует о повышении качества визуализации.
Рис. 4. Исходное изображение после применения выравнивания гистограммы с гистограммой цветов.
Для дополнительного улучшения качества изображения было применено гауссово размытие. Этот метод фильтрации изображений предполагает использование гауссова ядра, имеющего форму кривой Гаусса, что соответствует функции распределения вероятности нормальной случайной величины. Основной целью гауссова размытия является сглаживание изображения и уменьшение уровня шума, при этом сохраняя основные детали и контуры изображения. В процессе гауссова размытия каждый пиксель изображения заменяется на среднее значение пикселей в его окрестности, что определяется размером гауссова ядра и его стандартным отклонением. Визуальное представление гауссова ядра представлено на рисунке 5, а результат применения гауссова размытия к изображению — на рисунке 6.
Рис. 5. Визуальное представление гауссово ядра.
Рис. 6. Изображение после применения гауссово размытия.
В рамках проведения дальнейшей обработки изображения возникла необходимость в фильтрации пикселей по их значениям. Был разработан и внедрен специализированный цветовой фильтр, предназначенный для обработки RGB-изображения. Основная цель данного фильтра заключалась в удалении тех пикселей, цветовые значения которых не соответствовали установленным пороговым параметрам или значительно отличались по своим RGB-компонентам.
Для реализации указанной цели были определены три ключевых параметра фильтра: минимальное и максимальное допустимые значения для каждого из компонентов RGB, а также максимальное допустимое расстояние между любыми двумя компонентами RGB. Согласно алгоритму фильтрации, каждый пиксель изображения, не соответствующий этим критериям, преобразовывался в черный цвет. Математически данная фильтрация может быть представлена следующим выражением:
Результат применения данного метода фильтрации, в соответствии с формулой (1), представлен на рисунке 7. Анализ изображения, полученного в результате фильтрации, показывает, что определенные участки изображения были адекватно выделены. Однако в областях, соответствующих темной плитке, наблюдалось установление части пикселей в черный цвет, что может оказать влияние на качество последующей обработки изображения, требуя их дополнительного заполнения.
Рис. 7. Изображение после применения фильтрации пикселей .
В последующем этапе обработки изображения, полученного на рисунке 7, было предпринято его преобразование в оттенки серого. Этот процесс, представляющий собой конвертацию цветного изображения в градации серого, является критическим шагом, обусловленным необходимостью дальнейшей бинаризации изображения. Бинаризация представляет собой процедуру преобразования изображения в его черно-белую версию, где пиксели, превышающие определенное пороговое значение, классифицируются как белые, а пиксели, значения которых находятся ниже этого порога, — как черные. В данной работе пороговое значение для бинаризации было определено автоматически с использованием алгоритма Оцу, который позволяет оптимизировать пороговое значение на основе распределения интенсивности пикселей.
После применения бинаризации был выполнен поиск контуров. Контур в данном контексте определяется как непрерывная кривая, соединяющая все последовательные точки вдоль границы объекта, обладающие одинаковым цветом или интенсивностью. Найденные таким образом контуры были затем заполнены на исходном цветном изображении. Этот процесс играет ключевую роль в выделении и дальнейшем анализе различных объектов на изображении, позволяя улучшить разграничение и визуальное восприятие отдельных элементов.
Итоговый результат процесса заполнения контуров представлен на рисунке 8, демонстрирующем изменения, внесенные в исходное изображение в результате применения описанных выше процедур. Этот этап обработки изображения является важной составляющей всего процесса анализа, обеспечивая более четкое и детализированное представление обрабатываемых объектов.
Рис. 8. Изображение после заполнения контуров.
В последующей фазе обработки бинарного изображения был применен алгоритм морфологической эрозии, целью которого являлось удаление мелких объектов, шумов и излишних соединений между объектами для улучшения их индивидуального выделения. Процесс эрозии основывается на методике уменьшения размера областей на бинарном изображении путем исключения пикселей с границ этих областей. Данная операция способствует сокращению размеров объектов и устранению шумовых точек, что значительно облегчает последующую обработку изображения и повышает точность выделения якорных элементов.
Для реализации эрозии было сформировано специальное ядро в виде квадратной матрицы размером , заполненной единицами. Это ядро использовалось в качестве основы для выполнения операции эрозии над бинарным изображением. Посредством этого процесса удалось эффективно устранить мелкие детали и шум, при этом сохраняя общую форму и структуру объектов на изображении.
Пример применения алгоритма эрозии и его влияние на структуру изображения представлены на рисунке 9. Этот рисунок иллюстрирует результаты морфологической обработки изображения, демонстрируя улучшенное разделение и четкость объектов, что является ключевым аспектом для последующей обработки данных.
Рис. 9. Изображение после применения алгоритма эрозии.
Последующий этап обработки бинарного изображения включал в себя анализ связанных компонентов с целью фильтрации объектов на основе их площади. В этом контексте были определены пороговые значения для минимальной и максимальной площади объектов, которые должны были быть сохранены на изображении. Этот аналитический подход позволил идентифицировать и последовательно перебирать помеченные регионы на изображении, приводя к удалению тех областей, чья площадь не соответствовала установленным пороговым значениям.
В процессе фильтрации создавалось окончательное бинарное изображение, которое включало исключительно объекты, удовлетворяющие заданным критериям площади. Для этого значения пикселей помеченных объектов изменялись на , после чего изображение преобразовывалось в бинарный формат с пороговым значением . Результатом данной операции стало получение черно-белого изображения, где объекты, не соответствующие пороговым критериям площади, были исключены.
Выделенные таким образом по критерию площади объекты представлены на рисунке 10. Этот рисунок демонстрирует эффективность примененной методики фильтрации в контексте выявления и сохранения на изображении только тех объектов, которые удовлетворяют заранее определенным параметрам площади, обеспечивая тем самым более точную и целенаправленную обработку данных.
Рис. 10. Изображение после фильтрации объектов по площади.
Далее был использован алгоритм Кэнни для обнаружения границ. Этот алгоритм, известный своей способностью точно определять границы объектов на изображении, послужил основой для последующего применения преобразования Хафа. Преобразование Хафа представляет собой инструмент для обнаружения линейных структур, который позволяет идентифицировать все прямые линии на изображении, что демонстрируется на рисунке 11.
Рис. 11. Принцип работы алгоритма Хафа на примере двух пересекающихся линий.
Последующий этап включал фильтрацию линий на основе угла их наклона, ограничиваясь диапазоном от до градусов и от до градусов. Это позволило исключить линии, не соответствующие горизонтальной или заданной наклонной ориентации. На основании отфильтрованных линий были определены точки их пересечения с границами изображения, что позволило создать новые линии, учитывающие эти точки пересечения. Результаты этого этапа представлены на рисунке 12.
Рис. 12. Изображение после выделения прямых линий.
Однако количество обнаруженных прямых линий оказалось избыточным, что потребовало их дальнейшей фильтрации для выделения только ключевых зон на изображении. Процесс сокращения количества линий иллюстрируется на рисунке 13.
Рис. 13. Изображение после оставления ключевых линий.
Для точного выделения областей необходимо было получить координаты точек пересечения отрезков, а также координаты их концов. В этом контексте использовалась следующая формула для определения точек пересечения:
Применение этой формулы позволило идентифицировать и выделить на изображении ключевые точки пересечения отрезков, как показано на рисунке 14.
Рис. 14. Изображение после выделения точек пересечения отрезков.
Окончательный результат, представляющий выделенные зоны на изображении, представлен на рисунке 15, демонстрируя эффективность примененной методологии для точного определения и визуализации ключевых областей.
Рис. 15. Изображение после выделения зон.
Заключение.
Результаты проведенного исследования демонстрируют эффективность разработанной методологии в области обработки изображений. Применение совокупности алгоритмов позволило достичь высокой точности в выделении ключевых зон на изображениях. Эта система обеспечила детальное исследование структуры изображения, позволив выявить и точно определить области интереса.
СПИСОК ЛИТЕРАТУРЫ:
Voropaev V.D.
Bauman Moscow State Technical University
(Moscow, Russia)
AUTOMATIC ZONE DETECTION ON IMAGE WITH
BINDING TO POLYGONAL TEMPLATES
Abstract: the paper presents a methodology of automated zone detection on the images with reference to polygonal patterns. The process involves the adaptation and integration of ten different image processing algorithms. The results of this study confirm the high efficiency of the proposed approach in the task of automatic zone detection based on their visual attributes.
Keywords: image processing, histogram equalization, Gaussian blur, color filtering, Hough transform, zone detection.
Номер журнала Вестник науки №12 (69) том 2
Ссылка для цитирования:
Воропаев В.Д. АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ ЗОН НА ИЗОБРАЖЕНИИ С ПРИВЯЗКОЙ К МНОГОУГОЛЬНЫМ ШАБЛОНАМ // Вестник науки №12 (69) том 2. С. 1067 - 1081. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/11516 (дата обращения: 19.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+