Фазовая сегментация мультиспектральных слабоконтрастных изображений

Рассмотрены информационные возможности интерференционного метода для сегментации слабоконтрастных изображений в фазовом пространстве информативных признаков. Суть подхода основана на формировании опорной волны с использованием мультиспектральных составляющих анализируемого изображения, что поз...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2011
Автори:	Ахметшина, Л.Г., Удовик, И.М.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2011
Назва видання:	Штучний інтелект
Теми:	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/59854
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Фазовая сегментация мультиспектральных слабоконтрастных изображений / Л.Г. Ахметшина, И.М. Удовик // Штучний інтелект. — 2011. — № 3. — С. 200-206. — Бібліогр.: 4 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-59854
record_format	dspace
spelling	irk-123456789-598542014-04-11T03:02:07Z Фазовая сегментация мультиспектральных слабоконтрастных изображений Ахметшина, Л.Г. Удовик, И.М. Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Рассмотрены информационные возможности интерференционного метода для сегментации слабоконтрастных изображений в фазовом пространстве информативных признаков. Суть подхода основана на формировании опорной волны с использованием мультиспектральных составляющих анализируемого изображения, что позволяет синтезировать новые фазо-пространственные характеристики и повысить чувствительность анализа. Представлены результаты проверки работоспособности метода на модели и изображениях различной физической природы. In the present paper new data capability of the interference technique used for segmentation of thin phase portraits in space of informational indicators was examined. The key part of this approach is based on the reference wave formation with the application of multispectral signals. That allows to synthesize new phase characteristics and to improve analysis sensitivity. The results of working efficiency of this new method achieved for certain models and signals are demonstrated. 2011 Article Фазовая сегментация мультиспектральных слабоконтрастных изображений / Л.Г. Ахметшина, И.М. Удовик // Штучний інтелект. — 2011. — № 3. — С. 200-206. — Бібліогр.: 4 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/59854 004.93 ru Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
spellingShingle	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Ахметшина, Л.Г. Удовик, И.М. Фазовая сегментация мультиспектральных слабоконтрастных изображений Штучний інтелект
description	Рассмотрены информационные возможности интерференционного метода для сегментации слабоконтрастных изображений в фазовом пространстве информативных признаков. Суть подхода основана на формировании опорной волны с использованием мультиспектральных составляющих анализируемого изображения, что позволяет синтезировать новые фазо-пространственные характеристики и повысить чувствительность анализа. Представлены результаты проверки работоспособности метода на модели и изображениях различной физической природы.
format	Article
author	Ахметшина, Л.Г. Удовик, И.М.
author_facet	Ахметшина, Л.Г. Удовик, И.М.
author_sort	Ахметшина, Л.Г.
title	Фазовая сегментация мультиспектральных слабоконтрастных изображений
title_short	Фазовая сегментация мультиспектральных слабоконтрастных изображений
title_full	Фазовая сегментация мультиспектральных слабоконтрастных изображений
title_fullStr	Фазовая сегментация мультиспектральных слабоконтрастных изображений
title_full_unstemmed	Фазовая сегментация мультиспектральных слабоконтрастных изображений
title_sort	фазовая сегментация мультиспектральных слабоконтрастных изображений
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2011
topic_facet	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
url	http://dspace.nbuv.gov.ua/handle/123456789/59854
citation_txt	Фазовая сегментация мультиспектральных слабоконтрастных изображений / Л.Г. Ахметшина, И.М. Удовик // Штучний інтелект. — 2011. — № 3. — С. 200-206. — Бібліогр.: 4 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT ahmetšinalg fazovaâsegmentaciâmulʹtispektralʹnyhslabokontrastnyhizobraženij AT udovikim fazovaâsegmentaciâmulʹtispektralʹnyhslabokontrastnyhizobraženij
first_indexed	2025-07-05T11:01:49Z
last_indexed	2025-07-05T11:01:49Z
_version_	1836804536087347200
fulltext	«Искусственный интеллект» 3’2011 200 4А УДК 004.93 Л.Г. Ахметшина, И.М. Удовик ГВУЗ Национальный горный университет, г. Днепропетровск, Украина akhmlu@mail.ru, afs_matsuk@mail.ru Фазовая сегментация мультиспектральных слабоконтрастных изображений Рассмотрены информационные возможности интерференционного метода для сегментации слабоконтрастных изображений в фазовом пространстве информативных признаков. Суть подхода основана на формировании опорной волны с использованием мультиспектральных составляющих анализируемого изображения, что позволяет синтезировать новые фазо-пространственные характеристики и повысить чувствительность анализа. Представлены результаты проверки работоспособности метода на модели и изображениях различной физи- ческой природы. Введение Под аномалиями или объектами интереса мы понимаем наблюдения, рассогласо- ванные с остальными данными (характеристики отличаются от характеристик соседних областей изображения) и обнаружение которых является целью анализа. Сложность их выделения, как правило, состоит в том, что, с одной стороны, аномалии во многих слу- чаях представляют небольшую область, которую можно принять за шум или дефект снимка, с другой стороны, их параметры могут несущественно отличаться от общего фона или перекрываться другими объектами. Задача выделения визуально неразличимых областей слабоконтрастных изобра- жений имеет большое прикладное значение (рентгенограмма, термограмма, биофизические снимки и т.д.). В последнее время увеличилось число задач, которые используют ансамбль (мультиспектральные/многопараметровые) изображений, например, в таких областях, как медицинская диагностика (анализ характеристик ЯМР, томограмм), дистанционное зон- дирование земной поверхности (основано на использовании мультиспектральных и гиперспектральных методов получения информации), анализ геофизических полей и пр. Сегментация подразделяет изображение на составляющие его области или объекты и относится к методам высокого уровня обработки [1], являющейся важнейшей стадией анализа. Степень детализации зависит от решаемой задачи и конечный успех компью- терных процедур анализа изображений во многом определяются точностью сегментации, по этой причине значительное внимание уделяется повышению ее надежности. Достаточно широко распространены методы анализа на основе использования трех спектральных диапазонов с последующим их слиянием в одно результирующее RGB цветное изображение, с последующей сегментацией на основе использования цветовых признаков. Однако этот подход весьма редко позволяет идентифицировать слабо- контрастные участки из-за незначительного изменения их отражательной способности (к сожалению, здесь невозможно привести цветные изображения, демонстрирующие этот эффект), поэтому само по себе использование цветовых методов кодирования изобра- жений не решает задачи повышения визуальной чувствительности процедуры сег- ментации. Фазовая сегментация мультиспектральных слабоконтрастных изображений «Штучний інтелект» 3’2011 201 4А Ключевой проблемой для осуществления чувствительной сегментации является формирование нового пространства признаков на основе анализа локального контраста его элементов, который обеспечивают решение поставленной задачи. При разработке новых методов анализа изображений возможно использование виртуальных аналогов физических методов обработки радиофизических и оптически сиг- налов и полей и их математических моделей. Целью данной работы является развитие информационных возможностей виртуаль- ного интерференционного метода с целью возможности сегментации мультиспектральных слабоконтрастных изображений на основе формирования опорной волны с использованием мультиспектральных составляющих анализируемого изображения. Виртуальное фазовое интерференционное преобразование и его характеристики В 1935 г. Ф. Цернике разработал метод фазоконтрастной микроскопии, являющийся в настоящее время одним из наиболее чувствительных методов анализа слабоконтраст- ных оптических изображений. На рис. 1 представлено сопоставление результатов микро- биологического изображения на обычном и фазоконтрастном микроскопах (изображения были предоставлены доктором И.В. Любошенко, фирма «Phaseview», г. Париж) и схема метода виртуальной голографической интерферометрии, описанного в работе [2], ко- торый позволяет использовать интерференционные эффекты для повышения качества слабоконтрастных изображений. а) б) в) Рисунок 1 – Сопоставление результатов обычной (а) и фазоконтрастной (б) микроскопии, схема метода виртуальной голографической интерферометрии (в) Реализация полного формального виртуального аналога физического метода фазо- контрастной микроскопии Цернике для повышения качества и чувствительности анализа низкоконтрастных цифровых изображений описана в работе [3] и основана на сле- дующих положениях. 1. Выполнение фазового модуляционного преобразования исходного изображения ),( yxI , обеспечивающее переход из пространства действительных яркостей в комплекс- ную плоскость и которое предполагает переход от кодирования анализируемых изобра- жений в декартовой системе координат к полярной, общий вид которого описывается следующим выражением     ,),(,(Im),(Re),(),( ),( ),( yxj yxI j eyxAyxAjyxAeyxIyxA    (1) где  – виртуальный аналог длины волны когерентного оптического излучения (модуляционный параметр); аргумент ),( yx − угол поворота вектора в комплексной плоскости (зависит от соотношения /),( yxI ). Ахметшина Л.Г., Удовик И.М. «Искусственный интеллект» 3’2011 202 4А 2. Введение виртуального когерентного опорного поля 1),( yxB  , со значением и постоянным направлением вдоль оси « x ». 3. Визуализация синтезированной характеристики суммы этих двух виртуальных векторных полей ),(),(),( yxByxAyxR   . (2) Виртуальный аналог, в отличие от реального физического метода фазо-контраст- ной микроскопии, базирующегося на измерениях только одного параметра – модуля суммы векторного сложения, позволяет использовать и другие характеристики [4]. В общем случае при   BA возможно использование четырех характеристик:    cos2 22 )( BABAR ;    cos2 22 )( BABAR ; (3)                      cos sin )arg( )( AB A arctgR ; 2 )arg( )(   R ; )/exp( Ij , (4) где )(R , )(R модули, а  , – фазовые углы векторной суммы и разности виртуальных полей соответственно (рис. 2); что позволяет расширить информационную базу синтезируемых изображений. Кроме этого, возможные модификации метода могут отличаться видом модуля- ционного преобразования (1), выбором значения параметра модуляции  и способом определения опорного поля. Их определение зависит от характеристик исходного изображения, существенно влияет на результат и обусловливает сферу применения. A B а ) б) Рисунок 2 – Параметры операции векторного сложения (а) и векторной разности (б) Как показали результаты наших исследований, с точки зрения задачи сегментации слабоконтрастных мультиспектральных/многопараметровых изображений yxI ),(   nIII ,...,,) 21 целесообразно использование чисто фазового преобразования )/),(exp()),(exp(),(  yxIjyxjyxA   . (5) Модуль данного векторного преобразования всегда равен единице, а угол его поворота ),( yx определяется соотношением яркости конкретной точки изображения ),( yxI и величины  . При выборе значения модуляционного параметра  , равном единице, обес- печивается однозначная нелинейная связь между значением яркости ),( yxI пикселя A B Фазовая сегментация мультиспектральных слабоконтрастных изображений «Штучний інтелект» 3’2011 203 4А ),( yx и соответствующим ему значением фазового угла ),( yx . Данное обстоятельство позволяет осуществлять перераспределение соотношения уровней яркостей изобра- жения и выявлять слабоконтрастные области, неразличимые исходно. При таком подходе в качестве «опорной» волны ),( yxB  возможно использова- ние одного из векторов ),( yxAi  ансамбля  ),( yxIi либо сочетание их комбинаций. В таком случае для наиболее распространенного трехдиапазонного изображения ( 3n ), которое позволяет использовать цветовое RGB кодирование, возможны три варианта комбинаций из исходных изображений  321 ,, III для формирования вектор- ных полей 211 IIC  ; 312 IIC  ; 323 IIC  . (6) Каждой паре сопоставимы четыре характеристики : ))cos(1(2)( jiijR    ; ))cos(1(2)( jiijR    ; (7) ij ji ji ijij arctgR                 )cos(1 )sin( )arg( )( ; (8) jiij  ; )**exp( ,, jiji Ij  , ,;3,2,1, jiji  (9) которые позволяют синтезировать четыре новых цветных RGB изображения. Варьирование величины  в диапазоне от 0 до 1 соответствует в некотором смысле эффекту, подобному изменению величины фокусного расстояния линзы и обеспечивает возможность управления визуальной чувствительностью получаемого результата. Наилучшая эффективность метода обеспечивается при согласовании значения  и ха- рактеристик соответствующих областей потенциального интереса (размер и диапазон изменения градаций яркостей). «Самоорганизующийся» выбор параметра  может быть выполнен на основе преобразования с использованием оператора эквализации гистограммы H исходных изображений (  стабилизирующий параметр) .3,2,1]),)),((/[exp(),(   iyxIHjyxA ii  (10) Экспериментальные результаты Численные эксперименты проводились на ансамблях из трех слабоконтрастных изображений различной физической природы (поскольку возможности воспроизведения цветных иллюстраций отсутствуют, полученные результаты переведены в палитру Gray). На рис. 3 а) представлено модельное RGB изображение, содержащее семь не- различимых человеческим глазом объектов интереса (перепад яркости менее 2%), расположенных на плавно изменяющемся фоне. Проведенные эксперименты показали, что наиболее информативной, с точки зрения задач сегментации ансамбля из трех изображений, является характеристика ),( yx )),(),(arg(),( yxAyxAyx jiij   , jiji  ;3,2,1, (11) и  (9) (разность фаз двух векторов), визуализация которых (рис. 3 б, в) позволила выделить все скрытые аномальные участки. Для сравнения на рис. 3 г) представлен результат сегментации популярным методом нечетких С-средних на 12 классов с Ахметшина Л.Г., Удовик И.М. «Искусственный интеллект» 3’2011 204 4А визуализацией по максимуму функции принадлежности, на котором в верхнем левом углу с трудом можно различить слабые контуры 3 областей. «Энергетические» хара- ктеристики )(R и )(R (7) для данной задачи оказались неинформативными. а) б) в) г) Рисунок 3 – Модельное трехдиапазонное изображение: а) оригинал; б) ),( yx ; в) ),( yx ; г) сегментация методом нечетких С-средних На рис. 4 а – в) представлены составные компоненты цветного космического изображения окрестности г. Днепропетровска (спутник SPOT). На цветном изображении (к сожалению, возможности его привести отсутствуют) превалируют сине-зеленые тона, границы отдельных участков достаточно хорошо выделяются, однако структурные осо- бенности самих участков являются невидимыми. Рис. 4 г) соответствует изображению, синтезированному на основе ),( yxij (11), которая позволяет выделить ряд новых, не раз- личимых ранее областей (сопоставьте, например, участки в нижней части правого угла изображений). Данная характеристика хорошо и, что не менее важно, естественно сег- ментирует исходное изображение, о чем свидетельствует связность полученных сегментов. Следует отметить, что параметр ),( yx оказался при обработке данных реаль- ных изображений менее информативным и в связи с этим далее не приводится. Сравнение рис. 4 г), д) и рис. 4 е) наглядно демонстрирует влияние параметра модуляции  . Уменьшение значения  (в данном случае с 1 до 0,27) приводит к боль- шей детализации – выявлению сегментов с меньшим различием в уровнях яркости исходного изображения, а наилучший результат в данном случае был получен с ис- пользованием «самоорганизующегося» подхода (10) (рис. 4 е). а) б) в) г) д) е) Рисунок 4 – Космическое изображение: а – в) компоненты RGB кодирования; г) ),( yx для ;0,1 д) для 27,0 Фазовая сегментация мультиспектральных слабоконтрастных изображений «Штучний інтелект» 3’2011 205 4А Интерференционные характеристики являются нелинейными по отношению к яр- костям анализируемых ансамблей. Это обстоятельство открывает возможность влияния на степень детализации процедуры сегментации за счет инверсии яркостей нормали- зованных исходных изображений ансамбля, т.е. возможность использования допол- нения ансамбля вида ),(1),( , yxIyxJ normii  , 3,2,1i . (11) На рис. 5 а) представлено космическое изображение г. Днепропетровска и ха- рактеристики ),( yx (11) для исходного (рис. 5 б) и инвертированного (рис. 5 в) изображений, которые свидетельствуют о возможности увеличения чувствительности сегментации участков из различных диапазонов яркостей (соответствует реке в данном примере). а) б) в) Рисунок 5 – Сегментация космического изображения г. Днепропетровска: а) оригинал; б , в) ),( yx для исходного и инвертированного изображения, соответственно На рис. 6 а – в) приведены геофизические поля участка Земной поверхности и ре- зультаты их сегментации (рис. 6 г, д) с использованием характеристики ),( yx , для ис- ходного ансамбля и его дополнения (11). а) б) в) г) д) Рисунок 6 – Геофизические поля: а) гравитационное; б) электрическое потенциальное; в) магнитное; г), д) ),( yx от исходного и инвертированного ансамбля изображений соответственно Ахметшина Л.Г., Удовик И.М. «Искусственный интеллект» 3’2011 206 4А Данные результаты подтверждают сделанные ранее выводы о высокой информатив- ности характеристик ),( yx для сегментации слабоконтрастных ансамблей из трех изображений и о возможности получения дополнительных данных с использованием до- полнения исходного ансамбля. На исходных изображениях (включая и результат их RGB кодирования) выделить какие-либо области не представляется возможным. Синтез интер- ференционных характеристик ),( yx позволяет выделить ряд участков потенциального интереса. Заключение На основании проведенных исследований можно сделать следующие выводы. 1. Переход от амплитудной к комплексной угловой модуляции яркостей позволяет простым и естественным способом осуществлять сегментацию трех диапазонных мульти- спектральных изображений с последующим цветовым RGB кодированием финального результата на основе использования фазовых углов векторных разностей синтезирован- ных комплексных компонент. 2. Метод не требует использования какой-либо априорной информации о числе и характеристиках областей потенциального интереса. 3. Варьирование длины волны виртуального когерентного оптического излучения обеспечивает возможность тонкой настройки процедуры сегментации, применительно к задаче выделения визуально не различимых слабоконтрастных участков. 4. Возможно обобщение метода на задачу сегментации гиперспектральных изобра- жений на основе использования декоррелирующего преобразования ансамбля и первых трех «собственных» изображений ансамбля. Литература 1. Форсайт Д. Компьютерное зрение: современный подход / Д. Форсайт, Ж.. Понс ; [пер. с англ. А.В. На- заренко, И. Ю. Дорошенко]. – М. ; С.-П. ; К : Вильямс, 2004. – 926 с. 2. Борн М. Основы оптики / М. Борн, Э. Вольф ; [пер. с англ. С.Н. Бруса]. – М. : Наука, 1973. – 719 с. 3. Ахметшина Л.Г. Интерференционные методы повышения качества и чувствительности анализа низкоконтрастных изображений на основе комплексной фазовой модуляции / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Искусственный интеллект. –2007. – № 3.  С. 193-204. 4. Ахметшина Л.Г. Самоорганизующийся интерференционный метод сегментации слабоконтраст- ных изображений / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Удовик // Искусственный интеллект. – 2010. – № 3.  С. 427-431. Literatura 1. Forsajt D. Komp’juternoezrenie: sovremennyjpodhod. M.-S.P.-K: Vil’jams. 2004. 926 s. 2. Born M. Osnovyoptiki. M. : Nauka. 1973. 719 s. 3. Ahmetshina L.G. Iskusstvennyjintellekt. № 3. 2007. S. 193-204. 4. Ahmetshina L.G. Iskusstvennyjintellekt. № 3. 2010. S. 427-431. L.G. Akhmetshyna, I.M. Udovyk Phase Segmentation of Thin Multispectral Signals In the present paper new data capability of the interference technique used for segmentation of thin phase portraits in space of informational indicators was examined. The key part of this approach is based on the reference wave formation with the application of multispectral signals. That allows to synthesize new phase characteristics and to improve analysis sensitivity. The results of working efficiency of this new method achieved for certain models and signals are demonstrated. Статья поступила в редакцию 06.06.2011.

Фазовая сегментация мультиспектральных слабоконтрастных изображений

Репозитарії

Схожі ресурси