Автоматизированная система колоризации полутонового изображения
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
ость;
)быстродействие;
)простота.
Разработка будет вестись по технологии быстрой разработки приложений RAD (Rapid Application Development), которая поддерживается методологиями объектно-ориентированного анализа и проектирования и структурного проектирования, и методологии UML.
1. СИСТЕМОТЕХНИЧЕСКАЯ ЧАСТЬ
.1 Анализ предметной области и постановка задачи проектирования
Современные программные решения позволяют построить комплексную систему обработки изображения, базирующуюся на новейших технологиях, использующих механизмы обучения с помощью нейронных сетей. Процесс преобразования полутонового изображения можно разбить на следующие этапы: сегментация полутонового изображения на участки с монотонным изменением яркости изображения и сам процесс колоризации полученных участков изображения.
Сегментация - это процесс разделения цифрового изображения на несколько сегментов. Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать [1]. Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений - это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.
1.1.1 Методы сегментации изображения
Методы сегментации можно разделить на два класса: автоматические - не требующие взаимодействия с пользователем и интерактивные - использующие пользовательский ввод непосредственно в процессе работы. В данной работе рассматриваются только автоматические методы [2].
Задачи автоматической сегментации делятся на два класса:
)выделение областей изображения с известными свойствами;
)разбиение изображения на однородные области.
1.1.2 Сегментация как разбиение изображения на однородные области
Вначале рассмотрим постановку задачи сегментации, как разбиения изображения на однородные области. Такая постановка возникла раньше, чем задача выделения областей изображения с известными свойствами, и методы этой группы на данный момент хорошо разработаны.
Ясно, что задача разбиения изображения на однородные области поставлена некорректно. Внизу (рисунок 1.1) приведены четыре варианта сегментации одного и того же изображения из Berkeley Segmentation Dataset, выполненные разными людьми.
Рисунок 1.1 - Варианты сегментации изображения
Как видно, среди участников эксперимента нет единства в выборе разбиения изображения. Далеко не всегда для изображения есть единственно правильная сегментация, и далеко не всегда задача сегментации имеет единственное решение. По той же причине нет и объективного критерия оценки качества разбиения изображения [3].
1.1.3 Оценка качества работы методов сегментации
Поскольку сегментация обычно используется не самостоятельно, а как часть некоторой системы (например, системы машинного зрения), то с практической точки зрения, качество работы метода оценивается исходя из работы системы в целом. Поэтому один и тот же метод сегментации может оказаться хорошим для одной задачи и плохим для другой.
Для грубой оценки качества метода в конкретной задаче обычно фиксируют несколько свойств, которыми должна обладать хорошая сегментация. Качество работы метода оценивается в зависимости от того, насколько полученная сегментация обладает этими свойствами. Наиболее часто используются следующие свойства [4]:
)однородность регионов (однородность цвета или текстуры);
)непохожесть соседних регионов;
)гладкость границы региона;
)маленькое количество мелких дырок внутри региона;
и т. д.
1.1.4 Кластеризация цветового пространства
В постановке задачи сегментации прослеживается аналогия с задачей кластеризации (или обучения без учителя). Для того чтобы свести задачу сегментации к задаче кластеризации, достаточно задать отображение точек изображения в некоторое пространство признаков и ввести метрику (меру близости) на этом пространстве признаков.
В качестве признаков точки изображения можно использовать представление ее цвета в некотором цветовом пространстве, примером метрики (меры близости) может быть евклидово расстояние между векторами в пространстве признаков. Тогда результатом кластеризации будет квантование цвета для изображения. Задав отображение в пространство признаков, можно воспользоваться любыми методами кластерного анализа. Наиболее популярные методы кластеризации, используемые для сегментации изображений - k-средних (обобщенный метод Ллойда), EM алгоритм.
Основная проблема методов кластеризации, состоит в том, что пространственное расположение точек либо не учитывается совсем, либо учитывается косвенно (например, используя координаты точки как один из признаков). Поэтому обычно после кластеризации точек изображения проводят процедуру выделения связных компонент.
Методы кластеризации плохо работают на зашумленных изображениях: часто теряют отдельные точки регионов, образуется много мелких регионов, и. т. п.
1.1.5 Выращивание регионов, дробление-слияние
Методы этой группы учитывают пространственное расположение точек напрямую. Методы выращивания регионов основаны на следующей идее. Сначала по некоторому правилу выбираются центры регионов (seeds), к которым поэтапно присоединяются с?/p>