RU2148858C1 - Method for automatic segmentation of half- tone image using brightness histogram shape - Google Patents
Method for automatic segmentation of half- tone image using brightness histogram shape Download PDFInfo
- Publication number
- RU2148858C1 RU2148858C1 RU98113421A RU98113421A RU2148858C1 RU 2148858 C1 RU2148858 C1 RU 2148858C1 RU 98113421 A RU98113421 A RU 98113421A RU 98113421 A RU98113421 A RU 98113421A RU 2148858 C1 RU2148858 C1 RU 2148858C1
- Authority
- RU
- Russia
- Prior art keywords
- histogram
- brightness
- separation region
- threshold
- weight
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
Abstract
Description
Изобретение относится к способам цифровой обработки изображений. The invention relates to digital image processing methods.
Для решения задач улучшения изображений и распознавания образов необходимо, прежде всего, решить задачу декомпозиции (разделения) исходного изображения на части (сегменты), различающиеся по своему содержанию. От результатов сегментации зависит возможность и эффективность осуществления дальнейшего анализа и обработки изображения. To solve the problems of image improvement and pattern recognition, it is necessary, first of all, to solve the problem of decomposition (separation) of the original image into parts (segments) that differ in their content. The possibility and efficiency of further analysis and image processing depend on the results of segmentation.
Известен способ сегментации изображения, называемый наращиванием областей (см., например, Якушенков Ю.Г. Техническое зрение роботов. - М.: Машиностроение, 1990, - с. 49-51; Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. - М.: Машиностроение, 1990, с. 18-25). Суть его заключается в том, что соседние элементы изображения с одинаковыми или близкими уровнями яркости группируют, объединяя в однородные области. Для этого на исходном изображении ищут элементарные области, где пикселы объединяются в группы, если они обладают одинаковым уровнем яркости и являются соседями в смысле четырехсвязности. Затем элементарные области, имеющие общие границы, сливаются воедино согласно различным эвристическим правилам. Недостатком этого способа является необходимость подбора яркостных порогов в интерактивном режиме. A known method of image segmentation, called the build-up of areas (see, for example, Yakushenkov Yu.G. Technical vision of robots. - M .: Mashinostroenie, 1990, p. 49-51; Putiatin EP, Averin S.I. Processing Images in Robotics. - M.: Mechanical Engineering, 1990, pp. 18-25). Its essence lies in the fact that neighboring elements of the image with the same or similar brightness levels are grouped, combining into homogeneous areas. To do this, in the original image, elementary regions are searched for where the pixels are combined into groups if they have the same level of brightness and are neighbors in the sense of four-connectedness. Then elementary regions having common borders merge together according to various heuristic rules. The disadvantage of this method is the need for selection of brightness thresholds in an interactive mode.
Еще известен способ сегментации, основанный на выделении контурных линий, образуемых из видимых участков границ объектов и фона, сложных поверхностей одного и того же объекта (см., например, Якушенков Ю.Г. Техническое зрение роботов. - М.: Машиностроение, 1990, - с. 51-60; Путятин Е.П., Аверин С. И. Обработка изображений в робототехнике. - М.: Машиностроение, 1990, с. 34-41). Суть его заключается в определении значений яркостных переходов и последующем сравнении их с назначенным порогом. Яркостные переходы, превышающие порог, принимаются за границы исходных сегментов. При этом используются известные методы численного дифференцирования функций двух переменных на дискретной решетке. Недостатками этого способа являются его низкие помехоустойчивость и эффективность при недостаточной контрастности изображения, а также проблема назначения порога. Another known method of segmentation, based on the selection of contour lines formed from visible sections of the boundaries of the objects and the background, complex surfaces of the same object (see, for example, Yakushenkov Yu.G. Technical vision of robots. - M .: Mashinostroenie, 1990, - p. 51-60; Putyatin, E.P., Averin, S.I. Image Processing in Robotics, Moscow: Mashinostroenie, 1990, p. 34-41). Its essence is to determine the values of brightness transitions and their subsequent comparison with the assigned threshold. The brightness transitions exceeding the threshold are taken beyond the boundaries of the original segments. In this case, well-known methods of numerical differentiation of functions of two variables on a discrete lattice are used. The disadvantages of this method are its low noise immunity and efficiency with insufficient image contrast, as well as the problem of setting a threshold.
Известен также способ сегментации изображения, основанный на принципе порогового ограничения по яркости (см., например, Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. - М.: Машиностроение, 1990, с. 12-18). Он заключается в том, что на изображении выделяют сегменты, имеющие достаточно однородную яркость. Пороговые значения яркости, определяющие диапазоны изменения значений яркости для отдельных сегментов изображения, как правило, назначаются на основе априорной информации о содержании изображения. При отсутствии априорной информации существует подход к определению порогов, связанный с нахождением экстремумов гистограммы распределения яркости. Для этого на гистограмме находят глобальный и локальный максимумы, а затем располагаемую между ними точку минимума гистограммы. Отыскание глобального максимума обычно не вызывает затруднений. Локальные максимумы на реальной гистограмме отыскать значительно сложнее из-за большого количества ложных экстремумов. Эта задача решается на основе использования априорной информации об окрестности точки глобального максимума. Задача нахождения минимума обычно решается путем аппроксимации части гистограммы аналитической функцией и отысканием математическими методами ее минимума на заданном отрезке. There is also a known method of image segmentation, based on the principle of a threshold limit on brightness (see, for example, Putyatin EP, Averin SI, Image Processing in Robotics. - M .: Mashinostroenie, 1990, pp. 12-18). It lies in the fact that segments with sufficiently uniform brightness are distinguished in the image. Threshold luminance values that determine the ranges of brightness values for individual image segments are usually assigned based on a priori information about the image content. In the absence of a priori information, there is an approach to the determination of thresholds associated with finding the extrema of the histogram of the brightness distribution. To do this, the global and local maxima are found on the histogram, and then the histogram minimum point located between them. Finding a global maximum is usually straightforward. It is much more difficult to find local maxima on a real histogram due to the large number of false extremes. This problem is solved by using a priori information about the neighborhood of the global maximum point. The problem of finding the minimum is usually solved by approximating a part of the histogram with an analytical function and finding its minimum by mathematical methods on a given interval.
Недостатками данного способа являются необходимость использования интеллектуально-зрительных способностей человека для принятия решений о месте расположения локальных максимумов. Кроме того, используемая при сегментации яркостная гистограмма, являющаяся интегральным признаком изображения, не обеспечивает безошибочный возврат по месту в поле кадра. The disadvantages of this method are the need to use the intellectual and visual abilities of a person to make decisions about the location of local maxima. In addition, the brightness histogram used in segmentation, which is an integral feature of the image, does not provide an error-free return in place in the frame field.
Задачей настоящего изобретения является автоматизация процесса сегментации любого полутонового изображения, а также повышение надежности и помехоустойчивости сегментации. The objective of the present invention is to automate the process of segmentation of any grayscale image, as well as improving the reliability and noise immunity of segmentation.
Указанная задача решается тем, что в известном способе порогового ограничения по яркости автоматизируются процессы принятия решений о типе исходной гистограммы (уни- или бимодальная) и месте разбиения исходной бимодальной гистограммы на два унимодальных фрагмента. Кроме того, обеспечивается надежный обратный переход от фрагментов гистограммы к сегментам изображения посредством специального алгоритма удаления шума из управляющей бинарной маски. This problem is solved by the fact that in the known method of the threshold brightness limit, decision-making processes on the type of the initial histogram (uni- or bimodal) and the place where the initial bimodal histogram is divided into two unimodal fragments are automated. In addition, a reliable reverse transition from histogram fragments to image segments is provided by means of a special algorithm for removing noise from the control binary mask.
Изобретение поясняется чертежом. Способ автоматической сегментации полутонового изображения по форме яркостной гистограммы. Определение точки (порога In) разделения яркостной бимодальной гистограммы полутонового изображения на два унимодальных фрагмента.The invention is illustrated in the drawing. A method for automatic segmentation of a grayscale image in the form of a brightness histogram. Determination of the point (threshold I n ) of separation of the brightness bimodal histogram of a grayscale image into two unimodal fragments.
Сущность изобретения заключена в автоматическом разделении (декомпозиции) исходного изображения на определенные части (сегменты), различающиеся по своему содержанию. При этом весь процесс сегментации можно представить следующей совокупностью шагов. The essence of the invention lies in the automatic separation (decomposition) of the original image into certain parts (segments) that differ in their content. Moreover, the entire process of segmentation can be represented by the following set of steps.
Шаг 1. Начальная установка всех элементов управляющей бинарной маски в единицу. Step 1. Initial installation of all elements of the control binary mask into one.
Шаг 2. Формирование яркостной гистограммы исходного изображения. Step 2. The formation of the brightness histogram of the source image.
Шаг З. Определение вида яркостной гистограммы: унимодальная или бимодальная. Step Z. Determining the type of luminance histogram: unimodal or bimodal.
Шаг 4. Если гистограмма унимодальная, то переход к шагу 8. Step 4. If the histogram is unimodal, then go to step 8.
Шаг 5. Определение уровня яркости In, обладающего свойством разделения исходной бимодальной гистограммы на два унимодальных фрагмента.Step 5. Determination of the brightness level I n having the property of dividing the initial bimodal histogram into two unimodal fragments.
Шаг 6. Модификация управляющей бинарной маски посредством операции порогового среза (по уровню In) исходного изображения.Step 6. Modification of the control binary mask through the operation of the threshold slice (in level I n ) of the original image.
Шаг 7. Удаление шума из управляющей бинарной маски. Step 7. Removing noise from the control binary mask.
Шаг 8. Конец. Step 8. The End.
Результатом является получаемая бинарная маска, разметка которой отражает деление изображения на сегменты. The result is the resulting binary mask, the markup of which reflects the division of the image into segments.
Автоматическое принятие решений (шаги 3 и 5) базируется на эффективных эвристических приемах, имитирующих особенности зрительного восприятия человеком яркостных гистограмм. Automatic decision-making (steps 3 and 5) is based on effective heuristic techniques that mimic the characteristics of a person's visual perception of brightness histograms.
Сначала аппроксимируется исходная гистограмма, имеющая ступенчатый характер. Это позволяет исключить значительное количество ложных экстремумов и получить сглаженную оценку распределения вероятностей уровней яркости в обрабатываемом изображении. Исследования, проведенные авторами предлагаемого изобретения, показали, что наилучшее приближение (минимальное число и амплитуда выбросов, малые вычислительная погрешность и общий объем вычислений) дает аппроксимация методом наименьших квадратов, где в качестве базисных функций используются ортогональные многочлены дискретной переменной Хана-Чебышева (Мудров А.Е. Численные методы для ПЭВМ на языках Бейсик, Фортран и Паскаль. - Томск: МП "Раско", 1991, - с. 122-128). Степень итогового полинома выбирается не более 16, аппроксимация осуществляется в яркостном интервале i = [imin, imax], где imin, imax - соответственно минимальное и максимальное значения яркости.First, the initial histogram, which has a stepwise character, is approximated. This allows us to eliminate a significant number of false extremes and to obtain a smoothed estimate of the probability distribution of brightness levels in the processed image. Studies conducted by the authors of the present invention showed that the best approximation (minimum number and amplitude of outliers, small computational error and total amount of calculations) is provided by the least squares approximation, where the orthogonal polynomials of the discrete Khan-Chebyshev variable are used as basis functions (A. Mudrov. E. Numerical methods for personal computers in the languages BASIC, Fortran and Pascal. - Tomsk: MP "Rasko", 1991, - pp. 122-128). The degree of the resulting polynomial is selected no more than 16, the approximation is carried out in the brightness interval i = [i min , i max ], where i min , i max are the minimum and maximum brightness values, respectively.
Для реализации процессов автоматического принятия решений о наличии и месте расположения на яркостной гистограмме сегментируемого изображения значимых модальностей, а также о месте разбиения исходной бимодальной гистограммы на два унимодальных фрагмента, введем понятие центра гистограммного фрагмента (ЦГФ). Таковым является центр тяжести фигуры, ограниченной осью абсцисс гистограммы (0,i), аппроксимирующим полиномом p(i) и линиями i=i1, i=i2 (значения i1 < i2 определяют яркостной интервал фрагмента). Как известно, центр тяжести (xц, yц) плоской фигуры, заданной в прямоугольной системе координат (x, 0, y) линиями y = f1(x), y = f2(x), x=x1, x = x2, определяется следующим образом (Пискунов Н.С. Дифференциальное и интегральное исчисления. - М.: Наука, 1968, - с. 414-416):
Тогда дискретный вариант для ЦГФ будет иметь вид:
Определим правила формирования кривой динамики центра гистограммы (КДЦГ) - d(i).To implement automatic decision-making processes about the presence and location on the brightness histogram of a segmented image of significant modalities, as well as about the location of the partition of the original bimodal histogram into two unimodal fragments, we introduce the concept of the center of a histogram fragment (GFF). Such is the center of gravity of the figure bounded by the abscissa axis of the histogram (0, i), the approximating polynomial p (i) and the lines i = i 1 , i = i 2 (values i 1 <i 2 determine the brightness interval of the fragment). As you know, the center of gravity (x c , y c ) of a flat figure defined in a rectangular coordinate system (x, 0, y) by the lines y = f 1 (x), y = f 2 (x), x = x 1 , x = x 2 , is defined as follows (Piskunov N.S. Differential and integral calculus. - M .: Nauka, 1968, - p. 414-416):
Then the discrete option for the central phase crystal will have the form:
We define the rules for the formation of the curve of the dynamics of the center of the histogram (CDCG) - d (i).
Правило α1 (движение слева): для всех фрагментов, где i1 = imin, i2= [imin, imax], по формулам (3) и (4) вычисляются соответствующие ЦГФ.Rule α1 (movement on the left): for all fragments, where i 1 = i min , i 2 = [i min , i max ], the corresponding DGFs are calculated by formulas (3) and (4).
Правило α2 (движение справа): для всех фрагментов, где i2 = imax, i1= [imin, imax], по формулам (3) и (4) вычисляются соответствующие ЦГФ.Rule α2 (movement on the right): for all fragments, where i 2 = i max , i 1 = [i min , i max ], the corresponding DGFs are calculated by formulas (3) and (4).
Правило α3 (объединение): точки ЦГФ, полученные по правилам α1 и α2, соединяются ломаной (кусочно-линейная интерполяция). Rule α3 (union): the GFF points obtained according to the rules α1 and α2 are connected by a polygonal line (piecewise linear interpolation).
Построенная таким образом кривая (КДЦГ) позволяет автоматизировать процессы принятия решений о числе значимых модальностей и месте разбиения бимодальной гистограммы на два унимодальных фрагмента. С психофизической точки зрения, поведение КДЦГ отражает особенности визуального взвешивания и кластеризации внешнего вида гистограммы человеком. Участки гистограммы, претендующие на роль областей разделения значимых модальностей, всегда идентифицируются взаимным расположением аппроксимирующего полинома p(i) и кривой d(i). А именно, для таких областей справедливо:
p(i) ≥ d(i) (5)
Однако выполнение условия (5), особенно на участках, близких к imax и imin, может быть связано с наличием модальностей, имеющих малый относительный вес в гистограмме. Такие модальности при визуальном анализе интерпретируются как шум. Кроме того, даже при отсутствии шума соблюдение условия (5) не гарантирует принятия правильного решения. Поэтому данное условие дополнено критерием порогового типа (назначение порога обязательно, т.к. речь идет о выборе на дискретном множестве альтернатив), обладающим следующими свойствами. Во-первых, он максимальным образом учитывает особенности человеческих суждений при визуальной кластеризации, и при этом сводится к простым аналитическим выражениям. Во-вторых, надежное использование назначаемого постоянного порога требует значительного относительного удаления аналитически формируемых кластеров друг от друга. Указанными свойствами обладает площадь фигуры, образуемой кривыми d(i) p(i) на каждом участке гистограммы, где выполняется (5). Действительно, данная площадь растет: 1) при увеличении вытянутости по оси ординат модальностей, располагающихся по обе стороны предполагаемой области разделения; 2) при выравнивании относительных весов в гистограмме этих модальностей; 3) при увеличении яркостного интервала области разделения. А это именно те основные признаки, на основании которых принимаются решения при визуальном анализе. Предлагаемый критерий назовем весом области разделения (ВОР), он вычисляется достаточно просто:
где s - номер области разделения;
[is, is *] - яркостной интервал области разделения, т.е. интервал, где для всех i справедливо (5);
Vs - вес s-й области разделения.The curve constructed in this way (CDCG) allows you to automate decision-making processes on the number of significant modalities and where the bimodal histogram is divided into two unimodal fragments. From a psychophysical point of view, the behavior of CDCG reflects the features of visual weighing and clustering of the appearance of a histogram by a person. The sections of the histogram that claim to be the regions of separation of significant modalities are always identified by the relative position of the approximating polynomial p (i) and the curve d (i). Namely, for such areas it is true:
p (i) ≥ d (i) (5)
However, the fulfillment of condition (5), especially in areas close to i max and i min , may be due to the presence of modalities having a small relative weight in the histogram. Such modalities are interpreted as noise in visual analysis. In addition, even in the absence of noise, compliance with condition (5) does not guarantee the adoption of the right decision. Therefore, this condition is supplemented by a threshold type criterion (a threshold is required, since it is a question of choosing a discrete set of alternatives) with the following properties. Firstly, it maximally takes into account the peculiarities of human judgments in visual clustering, and at the same time reduces to simple analytical expressions. Secondly, the reliable use of the assigned constant threshold requires a significant relative distance from analytically formed clusters from each other. The indicated properties are possessed by the area of the figure formed by the curves d (i) p (i) in each section of the histogram where (5) is satisfied. Indeed, this area grows: 1) with an increase in elongation along the ordinate axis of modalities located on both sides of the proposed separation region; 2) when aligning the relative weights in the histogram of these modalities; 3) with an increase in the brightness interval of the separation region. And these are precisely those basic signs on the basis of which decisions are made during visual analysis. The proposed criterion is called the weight of the separation region (BOP), it is calculated quite simply:
where s is the number of the separation region;
[i s , i s * ] is the brightness interval of the separation region, i.e. the interval where for all i it is valid (5);
V s is the weight of the s-th separation region.
Проведенные исследования показали, что правильным решениям о бимодальности исходной гистограммы соответствуют значения веса области разделения, значительно превышающие вес "ложных" областей разделения. Это позволяет назначить достаточно надежный порог Vn.The studies showed that the correct decisions about the bimodality of the initial histogram correspond to the weight of the separation region, significantly exceeding the weight of the "false" separation regions. This allows you to assign a fairly reliable threshold V n .
Таким образом, автоматическое принятие решения о количестве значимых модальностей в исходной яркостной гистограмме можно реализовать с помощью следующего алгоритма. Thus, automatic decision-making on the number of significant modalities in the initial brightness histogram can be implemented using the following algorithm.
Шаг 1. Аппроксимация исходной гистограммы многочленами дискретной переменной Хана-Чебышева. Степень итогового полинома p(i) равна 16, аппроксимация осуществляется в яркостном интервале [imin, imax].Step 1. Approximation of the initial histogram by polynomials of the discrete variable Khan-Chebyshev. The degree of the resulting polynomial p (i) is 16, the approximation is carried out in the brightness interval [i min , i max ].
Шаг 2. Построение КДЦГ d(i) в соответствии с описанными ранее правилами α1,α2,α3.
Шаг 3. Определение яркостных интервалов [is, is *], для которых p(i)≤d(i). Если таковые отсутствуют, то принимается решение об унимодальности гистограммы и переход к шагу 7.Step 2. Construction of CDCG d (i) in accordance with the previously described rules α1, α2, α3.
Step 3. Determination of brightness intervals [i s , i s * ] for which p (i) ≤d (i). If there are none, then a decision is made on the unimodality of the histogram and go to step 7.
Шаг 4. Вычисление ВОР Vs для каждого интервала [is, is *] по формуле (6).Step 4. Calculation of VOP V s for each interval [i s , i s * ] according to the formula (6).
Шаг 5. Идентификация яркостного интервала Smax, соответствующего области разделения с максимальным весом:
Шаг 6. Если VSmax > Vn, то принимается решение о бимодальности гистограммы, иначе - о ее унимодальности.Step 5. Identification of the brightness interval S max corresponding to the separation region with the maximum weight:
Step 6. If V Smax > V n , then a decision is made about the bimodality of the histogram, otherwise - about its unimodality.
Шаг 7. Конец. Step 7. The End.
Данный алгоритм не только обеспечивает автоматическую классификацию типа модальности яркостной гистограммы, но и несет весомую нагрузку по подготовке второго решения о месте разбиения бимодальной гистограммы на два унимодальных фрагмента. Действительно, после его выполнения уже ясно: следует ли осуществлять разбиение и какому яркостному интервалу принадлежит выбираемый порог In. Очевидно, что при необходимости сегментации In располагается в интервале Smax. Дальнейшее уточнение местоположения In не вызывает затруднений. Вполне логично назначение в качестве порога уровня яркости, соответствующего абсциссе глобального минимума аппроксимирующего полинома p(i) на интервале Smax, т.е.:
После назначения яркостного уровня, разделяющего с приемлемой точностью пикселы разных сегментов, для решения задачи обратного перехода от фрагментов гистограммы к сегментам изображения (возврата по месту) необходимо осуществить пороговый срез исходного изображения. В результате получим бинарную маску, в которой пикселы различных сегментов размечены соответственно нулем и единицей.This algorithm not only provides automatic classification of the modality type of the brightness histogram, but also carries a heavy load on the preparation of the second decision on the location of the partition of the bimodal histogram into two unimodal fragments. Indeed, after its implementation it is already clear: should the partition be carried out and to which brightness interval does the selected threshold I n belong. Obviously, if segmentation is necessary, I n is in the range of S max . Further clarification of the location of I n is not difficult. It is quite logical to designate the brightness level as the threshold corresponding to the abscissa of the global minimum of the approximating polynomial p (i) in the interval S max , i.e.:
After assigning a brightness level that separates pixels of different segments with acceptable accuracy, to solve the problem of the inverse transition from histogram fragments to image segments (returning in place), it is necessary to carry out a threshold slice of the original image. As a result, we get a binary mask in which the pixels of different segments are labeled with zero and one, respectively.
Сложности алгоритмизации процесса удаления шума из управляющей бинарной маски связаны с нестабильностью размеров и формы шумовых пятен. В связи с этим были приняты следующие ограничения для яркостной организации маски: площадь сегмента больше площади любого шумового пятна на поле другого сегмента. Под площадью здесь понимается количество пиксел, составляющих восьмисвязную однородную по яркости область. Данное ограничение отражает специфику разделения значимых гистограммных модальностей и позволяет полностью формализовать процесс удаления шума. Предлагаемый алгоритм базируется на классических методах разметки точек (см., например, Путятин Е.П. Обработка изображений в робототехнике. - М.: Машиностроение, 1990, - с. 43-51) и рассчитан на два последовательных сканирования обрабатываемого растра (Gij), где Gij - значение точки растра (0 или 1 в исходной маске), 
Шаг 1. Установка в начало растра (i = 1, j = 1). Step 1. Installation at the beginning of the raster (i = 1, j = 1).
Шаг 2. Просмотр очередной точки Gij. Переход к шагу 5 по окончании сканирования всего растра.Step 2. View the next point G ij . Go to step 5 after finishing scanning the entire raster.
Шаг 3. Если точка уже размечена (Gij ≠ 0, Gij ≠ 1); переход к шагу 2.Step 3. If the point is already marked (G ij ≠ 0, G ij ≠ 1); Go to step 2.
Шаг 4. Осуществляется разметка восьмисвязной однородной области (например, методом рекурсивного автовызова, широко применяемым в машинной графике), включающей точку Gij. Элементы области, ранее имевшие нулевые или единичные (в зависимости от Gij) значения, получают новую уникальную индексированную метку Tr, где r - "родительский" индекс, равный Gij, a Tr не может быть равной 0 или 1. Одновременно подсчитывается площадь области - WTr. Переход к шагу 2.Step 4. Marking of an eight-connected homogeneous region is carried out (for example, by the method of recursive auto-call, which is widely used in computer graphics), including the point G ij . Elements of the region that previously had zero or unit (depending on G ij ) values receive a new unique indexed label T r , where r is the "parent" index equal to G ij , and T r cannot be equal to 0 or 1. It is simultaneously calculated area area - W Tr . Go to step 2.
Шаг 5. Установка в начало растра (i = 1, j = 1). Для каждого "родительского" индекса определяются области с максимальными площадями, т.е. T0max и T1max , для которых:
Шаг 6. Просмотр очередной точки Gij. Переход к шагу 8 по окончании сканирования всего растра.Step 5. Installation at the beginning of the raster (i = 1, j = 1). For each "parent" index, areas with maximum areas are determined, i.e. T 0max and T 1max , for which:
Step 6. View the next point G ij . Go to step 8 at the end of scanning the entire raster.
Шаг 7. Если точка Gij имеет метку T0max или T1 ≠ T1max , то ей присваивается нулевое значение, иначе - единичное. Переход к шагу 6.Step 7. If the point G ij has the label T 0max or T 1 ≠ T 1max , then it is assigned a zero value, otherwise, a unit value. Go to step 6.
Шаг 8. Конец. Step 8. The End.
Затраты времени на выполнение данного алгоритма можно значительно снизить, предварительно удалив доминирующий (как показывают тесты) мелкий шум. Например, с помощью медианной фильтрации. И еще, важным достоинством алгоритма является его способность удалять шумовые пятна с дырами. Для этого необходима только его повторная реализация. The time required to complete this algorithm can be significantly reduced by first removing the dominant (as tests show) shallow noise. For example, using median filtering. And yet, an important advantage of the algorithm is its ability to remove noise spots with holes. This requires only its re-implementation.
Предложенный способ позволяет получить положительный эффект, заключающийся в полной автоматизации процесса сегментации полутонового изображения и повышении ее надежности и помехоустойчивости. The proposed method allows to obtain a positive effect, which consists in the complete automation of the process of segmentation of a grayscale image and increase its reliability and noise immunity.
Апробирование этого способа показало его высокую эффективность при обработке телевизионных изображений объектов на естественных фонах. Testing of this method has shown its high efficiency in the processing of television images of objects on natural backgrounds.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU98113421A RU2148858C1 (en) | 1998-07-10 | 1998-07-10 | Method for automatic segmentation of half- tone image using brightness histogram shape |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU98113421A RU2148858C1 (en) | 1998-07-10 | 1998-07-10 | Method for automatic segmentation of half- tone image using brightness histogram shape |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU98113421A RU98113421A (en) | 2000-05-10 |
| RU2148858C1 true RU2148858C1 (en) | 2000-05-10 |
Family
ID=20208379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU98113421A RU2148858C1 (en) | 1998-07-10 | 1998-07-10 | Method for automatic segmentation of half- tone image using brightness histogram shape |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2148858C1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2448367C1 (en) * | 2011-04-11 | 2012-04-20 | Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" | Method of increasing visual information content of digital greyscale images |
| RU2580074C1 (en) * | 2014-12-10 | 2016-04-10 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный уинверситет" (ЮЗГУ) | Method for automatic segmentation of half-tone complex-structured raster images |
| RU2629629C1 (en) * | 2016-08-09 | 2017-08-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) | Method of automatic segmentation of fluorogramm of breast of patients with pneumonia |
-
1998
- 1998-07-10 RU RU98113421A patent/RU2148858C1/en active
Non-Patent Citations (1)
| Title |
|---|
| ПАВЛИДИС Т. Алгоритмы машинной графики и обработки изображений. - М.: Радио и связь, 1986, с. 81 - 89. ПУТЯТИН Е.П., АВЕРИН С.И. Обработка изображений в робототехнике. - М.: Машиностроение, 1990, с. 12 - 25, 34 - 41. ЯКУШЕНКОВ Ю.Г. Техническое зрение роботов. - М.: Машиностроение, 1990, с. 49 - 60. * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2448367C1 (en) * | 2011-04-11 | 2012-04-20 | Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" | Method of increasing visual information content of digital greyscale images |
| RU2580074C1 (en) * | 2014-12-10 | 2016-04-10 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный уинверситет" (ЮЗГУ) | Method for automatic segmentation of half-tone complex-structured raster images |
| RU2629629C1 (en) * | 2016-08-09 | 2017-08-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) | Method of automatic segmentation of fluorogramm of breast of patients with pneumonia |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415363B (en) | Image edge identification method | |
| US6778698B1 (en) | Method and apparatus for digital image segmentation | |
| EP1190387B1 (en) | Method for digital image segmentation | |
| CN115115641B (en) | Pupil image segmentation method | |
| EP0806741A2 (en) | Texture classification apparatus employing coarseness and directivity of patterns | |
| CN105447489B (en) | A kind of character of picture OCR identifying system and background adhesion noise cancellation method | |
| Sahasrabudhe et al. | A valley-seeking threshold selection | |
| CN113239733B (en) | Multi-lane line detection method | |
| CN115620075B (en) | Method, system and equipment for generating data set for leukocyte classification model | |
| CN114863492A (en) | Method and device for repairing low-quality fingerprint image | |
| CN111091071B (en) | Underground target detection method and system based on ground penetrating radar hyperbolic wave fitting | |
| Subasic et al. | Face image validation system | |
| JP3512604B2 (en) | Image processing apparatus and recording medium recording the program | |
| RU2148858C1 (en) | Method for automatic segmentation of half- tone image using brightness histogram shape | |
| CN115359449B (en) | Automatic identification method and system for turnout notch image of point switch | |
| JP3150762B2 (en) | Gradient vector extraction method and character recognition feature extraction method | |
| JP3417635B2 (en) | Intruding object recognition method | |
| Yuan et al. | Segmentation of colour images with highlights and shadows sing fuzzy-like reasoning | |
| JP4409713B2 (en) | Document image recognition apparatus and recording medium | |
| Chochia | Image segmentation via contour tracking in application to the analysis of the photographs of electronic microcircuits | |
| CN115358963B (en) | Image fusion method based on extended Gaussian difference and guided filtering | |
| JP2001043312A (en) | Document picture processor | |
| Zhiwei et al. | A new localization method for container auto-recognition system | |
| KR100380957B1 (en) | A method of the feature extraction of eyes | |
| JPH06266897A (en) | Processing system for extracting character string image from character string with background |