[RATINGS]

УДК 621.391.28

ОВЫДЕЛЕНИЕ ОБЪЕКТОВ НА ЦВЕТНЫХ ДИСКРЕТНЫХ ИЗОБРАЖЕНИЯХ

Баранов А.А
[email protected]
Россия, Санкт-Петербург,СПбГУТ

Введение

Вся окружающая нас среда состоит из объектов. Объекты можно разделить на живые и неживые. Живые объекты (субъекты) быстро изменяются, двигаются, размножаются и имеют способность активно воздействовать на окружающую среду. Неживые объекты (предметы) изменяются по сравнению с субъектами мало, медленно и их воздействие на окружающую среду пассивно. Резкой границы между субъектами и предметами не существует. Этот диапазон простирается от человека до алмаза, включая воду, атмосферу, почву, камни и т.п. объекты, которые в разных условиях можно отнести к живым и к неживым объектам.

Способность обрабатывать изображения относят к живым объектам. Субъекты воспринимают изображения, выделяют объекты и ориентируются в пространстве окружающей среды.

Наш мир цветной и наибольший объем информации человек получает из окружающей среды через цветные изображения.

При создании автоматических технических средств, необходимых человеку для его деятельности в окружающей среде, инженеру нужно решать задачи выделения объектов на цветных изображениях. Например, в робототехнике, на наземном, водном, воздушном и космическом транспортах, при передаче изображений на дальние расстояния, при работе в сложных условиях и агрессивных средах и т. д.

Интенсивное развитие вычислительной и телекоммуникационной техники привело к широкому использованию мобильной связи и повышению требований к обработке высококачественных цветных изображений. Цифровое телевидение вносит повышенные требования к передаче подвижных и неподвижных объектов.

В перечисленных выше актуальных задачах имеет место и задача выделения объектов на цветных изображениях.

Все объекты имеют пространственную структуру, но на изображениях они отображаются на поверхности, в частном случае на плоскости.

Изображения имеют дискретную структуру и при восприятии и при отображении. Элементом изображения является пиксел, который имеет три параметра, размещение на поверхности (два параметра) и цвет. У человека изображение формируется на сетчатке глаза, которая имеет поверхность близкую к сферической. В технических устройствах в основном изображения воспринимают и отображают на плоскости. В дальнейшем будем рассматривать дискретные плоские изображения, которые принято называть растровыми. Искажениями, которые возникают на изображении из-за разности хода световых лучей, часто пренебрегают.

Экономное отображение объектов на изображении представляется очерковыми линиями объекта (контуром). Например, пространственная сфера отображается на изображении в виде линии окружности. Контурные изображения значительно сокращают объем записи изображений. Во многих случаях контурные изображения позволяют определять вид объекта. Перевод изображений в контурные позволяет решать задачи распознавания объектов.

В данной статье предлагается методом цветового анализа перевод полноцветного дискретного изображения в контурное изображение объектов, что позволит сжать объем изображения и выделить объекты.

1. Цветовой анализ изображений

В нашей работе не ставится задача узнаваемости объекта и отнесения его к видам и группам объектов. Но эта очень важная задача для многих прикладных решений не может быть решена без выделения объектов. Анализ изображений можно осуществлять, зная механизм построения изображений на сетчатке глаза или аналогичный механизм построения изображений моделей объектов на плоскости с помощью методов геометрической оптики (методов проецирования и методов освещения). Необходимо отметить, что в обоих случаях плоское изображение имеет информацию о глубине объекта. Эту информацию можно получить путем анализа изображений, применяя методы геометрической оптики. Эффект восприятия глубины объекта усиливается путем рассматривания двух изображений, полученных с разных точек рассматривания (стерео эффект), анализируя два плоских изображения.

Рассмотрим структуру страницы (кадра) дискретного цветового изображения.

Цветовая модель страницы изображения имеет следующий вид:

M [ f (m,n)] = { p0 [ x0 (m), y0 (n), c0 ( r(l), g(l), b(l) ) ],

p1 [ x1 (m), y1 (n), c1 ( r(l), g(l), b(l) ) ],

. . . ,

pk [ xk (m), yk (n), ck ( r(l), g(l), b(l) ) ] },

M – массив точек (пикселов) страницы (кадра) изображения;

f (m,n) – функция расположения точек на странице изображения;

p – пиксел, состоящий из трех цветов (красный, зеленый, синий);

xместоположение пиксела на горизонтальной строке изображения;

yместоположение пиксела на вертикальной строке изображения;

cномер цвета;

rкрасный цвет;

gзеленый цвет;

bсиний цвет;

lномер уровня градации цвета;

kчисло пикселов в изображении.

Объекты на изображении могут отличатся размерами, конфигурацией и цветом.

Число объектов на одном изображении может колебаться в широких пределах.

Объекты на изображении имеют окраску, которая обуславливается рядом факторов:

диффузное рассеивания, которое характеризуется зависимостью диффузного отражения от свойств вещества и длины волны;

зеркальное отражение, которое характеризуется френелевским коэффициентом отражения, зависящим от свойств вещества и длины волны;

преломление, которое характеризуется френелевским коэффициентом пропускания зависящим от свойств вещества и длины волны;

направлением лучей освещения;

расстояниями, пройденными лучами освещения.

Такие сложные зависимости создают трудности при анализе изображений, так как многие факторы окружающей среды при построении изображения могут быть неизвестными (сложность получения значений действительной окраски объектов, направления и интенсивности источников освещения, длин волн освещения, отражающих, преломляющих, пропускающих и поглощающих свойств объектов), например, анализ старых фотографий, архивных изображений и т.п.

Исходя из этого, предлагается цветовой анализ изображения с целью определения цветовых составляющих изображения, которые могут характеризовать объекты на изображениях.

Для решения задачи выделения объектов на цветных дискретных изображениях методом цветового анализа предлагаются следующие алгоритмы:

определение наличия семи чистых цветов по шкале RGB (серого, красного, зеленого синего, красно-эеленого, красно-синего, зелено-синего);

разделение исходного (полного) изображения на два изображения (серое и чисто цветное, не имеющее оттенки серого цвета от черного до ярко белого):

снижение числа градаций цвета путем смещения градаций к нижнему уровню, среднему уровню, верхнему уровню или определенному уровню цвета без потерь пикселов данного цвета;

поиск областей скопления пикселов выбранного цвета на изображении путем использования спиральной развертки;

выявление контура цветного объекта в выбранной области.

Рассмотрим работу предложенных алгоритмов на конкретных примерах трех изображений. Все изображения получены в цифровом виде путем сканирования с разрешением 100 dpi. На рис.1 представлено изображение, полученное с аэрофотопленки, на котором имеется множество мелких цветных объектов. На рис.2 показана репродукция на бумажном носителе, где крупным планом изображен котенок. На рис.3, отсканированном с фотографии, изображены цветы, посаженные на клумбе, и окружающая их земля.

ris.jpg
Рис.1. Аэрофотоснимок небольшого поселка

ris.jpg
Рис.2. Репродукция «Котенок»

ris.jpg
Рис.3. Фотография «Цветы»

Все изображения несколько отличаются по размерам и количеством пикселов. Они подобраны с учетом разнообразных условий, влияющих на выделение цветовых объектов.

Вначале проведем количественный анализ изображений. Полученные результаты сведены в табл.1.

Все данные приведены к формату BMP.

Кроме данных из заголовка, определялись длины кодов цветов, их минимальное и максимальное значения и возможности упаковки.

Табл.1. Количественные характеристики анализируемых изображений

Наименование

Изображения

«Аэрофото»

«Котенок»

«Цветы»

Размер файла изображения в байтах

360294

652446

662502

Размер заголовка файла в байтах

54

54

54

Размер растрового массива в байтах

360240

652392

662448

Ширина изображения в пикселах

380

408

592

Высота изображения в пикселах

316

533

373

Число пикселов в изображении

120080

217464

220816

Число используемых цветов пикселов

90622

160667

173824

Минимальный номер цвета пиксела

463130

593683

593421

Максимальный номер цвета пиксела

16250605

16777215

16050911

Максимальное число записей для одного цвета

8

369

11

Число повторных записей цветов

35

2151

65

Число бит на цвет при сжатии

18

18

18

Коэффициент цветового сжатия

1,333

1,333

1,333

Размер сжатого цветовым методом файла

270180

489294

496836

Анализ таблицы показывает, что число используемых цветов составляет приблизительно 75% от общего числа пикселов в изображении и число повторений использования одного цвета весьма мало. Это говорит о том, что сжатие таких изображений арифметическими методами без потерь дает очень малый эффект. Практика это подтверждает.

Одним из подходов решения этой задачи может быть комбинированное применение цветового и арифметического сжатия.

Проведем более полный цветовой анализ испытуемых изображений. Для этого изображение разложим на цветовые плоскости, а каждую цветовую плоскость на цветовые уровни. При этом из изображения выделяются так называемые чистые цвета, когда цвет может иметь полутона от 0 до 255. Таких цветов в системе RGB всего семь. Эти цвета замечательны тем, что они окрашивают выпуклые объекты полутонами с высоким уровнем реалистичности. Результаты цветового анализа чистых цветов приведены в табл.2.

Табл. 2. Цветовые характеристики чистых цветов анализируемых изображений

Наименование

Изображения

«Аэрофото»

«Котенок»

«Цветы»

Число полутонов всех цветов

7

909

135

Число полутонов красного цвета

0

0

0

Число полутонов зеленого цвета

0

0

0

Число полутонов синего цвета

0

0

0

Число полутонов красно-зеленого цвета

0

0

0

Число полутонов красно-синего цвета

0

1

0

Число полутонов зелено-синего цвета

0

0

0

Число полутонов серого цвета

7

908

135

Анализ табл.2 говорит о том, что в изображении много всякого цветного шума, который вносит цветные искажения в отображение реальных объектов. Цветной шум появляется из-за неравномерного и не чистого освещения, дополнительных отражений и переотражений, поглощений и других световых явлений, цветовых искажений в оптике и электронике принимающих устройств.

Для устранения этого эффекта предлагается разделить изображение на две составляющие — цветную и серую.

На рис.4 и рис.5 показаны серая и цветная составляющие изображения «Аэрофото».

ris.jpg
Рис.4. Серая составляющая «Аэрофото»

ris.jpg
Рис.5. Цветная составляющая «Аэрофото»

Рис.4. Серая составляющая «Аэрофото» Рис.5. Цветная составляющая «Аэрофото»

В табл.3 приводятся количественные характеристики для сравнения полного, серого и чисто цветного изображений «Аэрофото».

Табл.3. Количественные характеристики изображений «Аэрофото»

Характеристики

Изображение

Полное

Серое

Цветное

Размер файла изображения в байтах

360294

Размер заголовка файла в байтах

54

Размер растрового массива в байтах

360240

Ширина изображения в пикселах

380

Высота изображения в пикселах

316

Число пикселов в изображении

120080

Число используемых цветов пикселов

173824

216

13922

Минимальный номер цвета пиксела

593421

460551

0

Максимальный номер цвета пиксела

16050911

15856113

11337834

Максимальное число записей для одного цвета

11

2400

78

Число повторных записей цветов

65

114920

2779

Число бит на цвет при сжатии

18

8

14

Размер исходного файла, сжатого WinRar

270958

124107

219531

Размер файла, сжатого цветовым методом

270248

120080

210175

Размер файла, сжатого «Цветовое сжатие +WinRar»

138203

124289

198247

Коэффициент сжатия WinRar

1,329

2,903

1,548

Коэффициент цветового сжатия

1.333

3.000

1.714

Коэффициент сжатия «Цветовое сжатие +WinRar»

2,606

2,902

1,817

Рассмотрим цветовые характеристики изображения «Аэрофото» в табл.4.

Табл. 4. Цветовые характеристики чистых цветов изображения «Аэрофото»

Наименование

Изображение «Аэрофото»

Полное

Серое

Цветное

Число полутонов всех цветов

7

120080

3575

Число полутонов красного цвета

0

0

203

Число полутонов зеленого цвета

0

0

1421

Число полутонов синего цвета

0

0

411

Число полутонов красно-зеленого цвета

0

0

747

Число полутонов красно-синего цвета

0

0

187

Число полутонов зелено-синего цвета

0

0

599

Число полутонов серого цвета

7

120080

7

На рис.6 и рис.7 показаны серая и цветная составляющие изображения «Котенок».

ris.jpg
Рис.6 Серая составляющая «Котенок»

ris.jpg
Рис.7. Цветная составляющая «Котенок»

Табл.5. Количественные характеристики изображений «Котенок»

Характеристики

Изображение

Полное

Серое

Цветное

Размер файла изображения в байтах

652446

Размер заголовка файла в байтах

54

Размер растрового массива в байтах

652392

Ширина изображения в пикселах

408

Высота изображения в пикселах

533

Число пикселов в изображении

217464

Число используемых цветов пикселов

160667

256

26133

Минимальный номер цвета пиксела

593683

0

0

Максимальный номер цвета пиксела

16777215

15790320

12976179

Максимальное число записей для одного цвета

369

4034

804

Число повторных записей цветов

2151

196743

27731

Число бит на цвет при сжатии

18

8

16

Размер исходного файла, сжатого WinRar

584059

235987

439816

Размер файла, сжатого цветовым методом

489294

217464

434928

Размер файла, сжатого «Цветовое сжатие +WinRar»

233766

213807

375333

Коэффициент сжатия WinRar

1,117

2,764

1,483

Коэффициент цветового сжатия

1.333

3.000

1.500

Коэффициент сжатия «Цветовое сжатие +WinRar»

2,791

3,051

1,738

Рассмотрим цветовые характеристики изображения «Котенок» в табл.6.

Табл. 6. Цветовые характеристики чистых цветов изображения «Котенок»

Наименование

Изображение «Котенок»

Полное

Серое

Цветное

Число полутонов всех цветов

909

217638

23417

Число полутонов красного цвета

0

0

5150

Число полутонов зеленого цвета

0

0

3758

Число полутонов синего цвета

0

0

3209

Число полутонов красно-зеленого цвета

0

0

3762

Число полутонов красно-синего цвета

1

0

3319

Число полутонов зелено-синего цвета

0

0

3411

Число полутонов серого цвета

908

217638

908

На рис.8 и рис.9 показаны серая и цветная составляющие изображения «Цветы».

ris.jpg
Рис.8. Серая составляющая «Цветы»

ris.jpg
Рис.9. Цветная составляющая «Цветы»

Табл.7. Количественные характеристики изображений «Цветы»

Характеристики

Изображение

Полное

Серое

Цветное

Размер файла изображения в байтах

662502

Размер заголовка файла в байтах

54

Размер растрового массива в байтах

662448

Ширина изображения в пикселах

592

Высота изображения в пикселах

373

Число пикселов в изображении

220816

Число используемых цветов пикселов

173824

239

16797

Минимальный номер цвета пиксела

593421

0

0

Максимальный номер цвета пиксела

16050911

15790320

11993143

Максимальное число записей для одного цвета

11

3097

526

Число повторных записей цветов

65

204556

25746

Число бит на цвет при сжатии

18

8

15

Размер исходного файла, сжатого WinRar

548900

245218

427912

Размер файла, сжатого цветовым методом

496836

220816

414030

Размер файла, сжатого «Цветовое сжатие +WinRar»

222963

197550

365273

Коэффициент сжатия WinRar

1,206

2,701

1,548

Коэффициент цветового сжатия

1.333

3.000

1.600

Коэффициент сжатия «Цветовое сжатие +WinRar»

2,971

3,353

1,814

         

Рассмотрим цветовые характеристики изображения «Цветы» в табл.8.

Табл. 8. Цветовые характеристики чистых цветов изображения «Цветы»

Наименование

Изображение «Аэрофото»

Полное

Серое

Цветное

Число полутонов всех цветов

135

220858

14110

Число полутонов красного цвета

0

0

6083

Число полутонов зеленого цвета

0

0

2031

Число полутонов синего цвета

0

0

1161

Число полутонов красно-зеленого цвета

0

0

2379

Число полутонов красно-синего цвета

0

0

1570

Число полутонов зелено-синего цвета

0

0

751

Число полутонов серого цвета

135

220858

135

Анализ табл.3 – табл.8 показывает, что комбинированное сжатие (цветовое сжатия + арифметическое) дает наибольший коэффициент сжатия по сравнению с отдельно взятым способом сжатия. При сжатии серой составляющей изображения коэффициенты сжатия меняются незначительно, но общий коэффициент сжатия наибольший, чем у полного и цветного изображений. При сжатии цветной составляющей изображения комбинированный коэффициент сжатия меньше, чем у полного и серого изображений, но больше при отдельных методах сжатия. Для решения поставленной задачи выгоднее применять комбинированное сжатие.

2. Выделение объектов на изображении

Анализ изображений (рис.4 – рис.9) показывает, что визуальное восприятие человеком полного изображения, серой составляющей и цветной составляющей достаточно для выделения объектов на изображении, но серая составляющая наиболее компактна для записи и передачи данных.

Если иметь дело с автоматическим выделением изображений без участия человека, то полное изображение для этого практически не годится из-за отсутствия в явном виде чистых цветов в изображении. Серая составляющая изображения затруднена для автоматического выделения объектов, так как однообразие окраски создает множество вариантов выделения возможных объектов. Цветная составляющая содержит компонент цвета для отдельных объектов, что позволяет отделить один объект от другого.

Предлагается следующий алгоритм выделения цветовых объектов на изображении:

  1. Выделяем цветовую составляющую изображения.
  2. Проводим цветовой анализ изображения и находим наивысший уровень градаций чистых цветов.
  3. Устанавливаем в виде технических заданий характеристики выделяемых объектов.
  4. Помещаем в точки высших градаций чистых цветов начало спиральной развертки и определяем область наибольшей плотности размещения градаций выбранного цвета.
  5. Фиксируем области изображения, где размещены объекты выбранного цвета.
  6. В областях размещения объектов определяем контурные линии объекта.
  7. Удаляем избыточную информацию из изображения и получаем контурный выделенный объект на изображении.
  8. При необходимости сжимаем изображение выделенного объекта для архивирования и передачи по каналам связи.

В результате работы алгоритма получим изображение, которое может быть использовано для узнавания и определения вида и типа библиотечных, как статических, так и динамических объектов.

Отмечаем, что приведенный алгоритм выделения объектов универсален для любых цветовых составляющих изображений. Алгоритм можно применять и для полных, и для серых изображений, однако эффект выделения объектов будет значительно меньше.

На рис.10-12 показаны результаты работы алгоритма выделения цветовых объектов.

ris.jpg
Рис.10. Выделение на изображении «Аэрофото» строений с красной крышей

ris.jpg
Рис.11. Выделение на изображении «Котенок» котенка

ris.jpg
Рис.12. Выделение на изображении «Цветы» ограждение клумбы

В табл.10 показаны коэффициенты сжатия размеров изображений выделенных объектов по отношению к полным изображениям. Изображения выделенных объектов упаковывались, а затем сжимались с помощью WinRar.

Табл.10. Коэффициенты сжатия размеров изображений выделенных объектов

Наименование

полное изображение,

выделенный объект

Размер

полного изображения

в байтах

Размер сжатого

выделенного объекта

в байтах

Коэффициент сжатия размера выделенного объекта

«Аэрофото»,

Строение с красной крышей

360294

94

3832,914

«Котенок»,

Котенок

652446

99

6610,565

«Цветы»,

Ограждение клумбы

662502

100

6625,020

Значения коэффициентов сжатия выделенных объектов показывают высокую эффективность работы методов и алгоритмов анализа изображений и выделение цветовых объектов для дальнейшего распознавания и узнавания видов и типов как статических, так и динамических объектов.

Заключение

Полученные результаты с помощью метода цветового анализа и метода выделения цветных объектов на примерах приведенных в данной статье говорят о высокой эффективности работы предложенных алгоритмов (сжатия выделенных объектов в несколько тысяч раз по сравнению с исходными изображениями) и открывают возможности передачи отдельных динамических объектов в реальном времени по каналам связи. Однако необходимо отметить, что обработка изображений требует достаточно много времени для их реализации в системах реального времени и требуется создание специализированных аппаратных средств для ускорения обработки анализа исходных изображений. Алгоритмы выделения объектов работают достаточно быстро и не требуют аппаратных решений.

Литература

1. Алпатов Б.А., Блохин А.Н. Модели и алгоритмы обнаружения и выделения движущихся фрагментов изображений. // Автометрия, 1995, №4, стр. 100-104.

2. Сергеев В.В. Применение методологии распознавания образов в задачах цифровой обработки изображений. // Автометрия, 1998, №2, стр.63-76.

3. Баранов А.А., Дегтярев В.М. Метод оптимальной спиральной развертки при сжатии полутоновых изображений для передачи по каналам связи. // Труды учебных заведений связи / СПбГУТ. СПб, 2007. № 176. С. 86-89.

4. Баранов А.А. Анализ цифрового изображения для сжатия и передачи по каналам связи.// Труды учебных заведений связи / СПбГУТ. СПб, 2007. № 177. С. 22-27.

ALLOCATION OF OBJECTS FROM THE COLOUR RASTER MAPS

Baranov A.A.

[email protected]

The summary

In the given article the methods both algorithms of colour image analysis and allocation from the map of separate colour objects are esteemed. On an example of three maps the practical implementation of activity of offered algorithms is rotined. The high performance of activity of algorithms is determined.

Эта запись была опубликована 07.01.2008в 5:43 пп. В рубриках: Предложенные аспирантами, СПбГУТ, Моделирование, Все статьи. Вы можете следить за ответами к этой записи через RSS 2.0. Вы можете оставить свой отзыв или трекбек со своего сайта.

Оставьте свой отзыв

Примечание: Осуществляется проверка отзывов на соотвествие правилам, и это может задержать их публикацию. Отправлять отзыв повторно нет необходимости.