[RATINGS]

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) ) ],

. . . ,

p_k [ x_k (m), y_k (n), c_k ( 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);

x – местоположение пиксела на горизонтальной строке изображения;

y – местоположение пиксела на вертикальной строке изображения;

c – номер цвета;

r – красный цвет;

g – зеленый цвет;

b – синий цвет;

l – номер уровня градации цвета;

k – число 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.

Рис.1. Аэрофотоснимок небольшого поселка

Рис.2. Репродукция «Котенок»

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».

Рис.4. Серая составляющая «Аэрофото»

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».

Рис.6 Серая составляющая «Котенок»

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».

Рис.8. Серая составляющая «Цветы»

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.

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

Рис.11. Выделение на изображении «Котенок» котенка

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.