Зменшення "Блочного ефекту" при передачі зображення (стр. 3 из 3)

Модифікація методу для зображень які містять шум

У даній главі розглядається застосування запропонованого методу для зображень, які можна характеризувати наступною моделлю. Будемо вважати, що вихідне зображення містить об'єкти із замкнутими контурами, і нахил границі кожного об'єкта уздовж контуру слабко міняється. Зображення, які можна описати даною моделлю часто зустрічаються на практиці. Дійсно, скановані зображення сторінок книг, газет, журналів, містять у переважній більшості, текст, заголовки, картинки в рамках, тобто , об'єкти, що мають замкнуті контури. І, як правило, нахил границь даних об'єктів уздовж контуру слабко міняється.

Дані припущення дозволяють використати в запропонованому нами методі, на кроці визначення картини границь Eі(x,y), відомий метод сегментації - ватершед-перетворені. Відомо, що ватершед-перетворення дозволяє одержувати завжди замкнуті границі об'єктів, а об'єкти з незамкнутими границями не визначаються. А тому що в припущеннях нашої моделі нахил границь об'єктів уздовж контуру слабко міняється, то застосування ватершед-перетворення дозволить одержувати замкнуті контури об'єкта повністю на одному кроці масштабу. Дійсно, незмінність нахилу границь об'єктів уздовж контуру дозволяє одержувати однаковий відгук для всіх границь одного об'єкта на градієнтному зображенні конкретного масштабу.

Мал. 5. Модифікаціязапропонованого алгоритмудля зашумлених зображень

На мал.5 схематично зображена послідовність виконання операцій для даної модифікації пропонованого нами методу. Перший етапом побудови градиентного зображення Dі(x,y) масштабу sі залишається таким же, як він і був описаний у попередній главі й полягає в комбінованій побудові градиентного зображення масштабу sі на основі градиентного зображення Dі-1(x,y) масштабу sі-1 і картини границь Eі-1(x,y), отриманої на sі-1 кроці. Далі, на другому етапі, до отриманого градиентному зображенню застосовується метод ватершед- перетворення, що дозволяє одержати замкнуті контури об'єктів і побудувати відповідну картину границь Eі(x,y). Після чого, на третьому етапі, виконується класифікація отриманих об'єктів, використовуючи як критерій приналежності об'єкта до шуму нечітку функцію f(q,e). Границі об'єктів, віднесених до шуму, віддаляються із зображення границь Eі(x,y). Після чого, виконуються аналогічні послідовності дій для наступних кроків.

Аналіз та оцінка результатів Вейвлет методу

На малюнку 6 показано приклад зображення багато масштабного аналізу зображення. З більшенням певного об’єкту на малюнку, при покращенні зображення ми спостерігаємо певну не чіткість, яка спостерігається зернистістю і меншою насиченістю кольорів. Зображення становиться більш темнішим.

Мал. 6.Приклад зображення яке містить об’єкти з різкими і плавними контурами Градієнтського потоку

Малюнок 7 представлений приклад напівтонового зображення утримуючі об'єкти, що мають різкі й плавні границі. Текст у верхній частині зображення має різкі контури, у той час як три латинські букви в нижній частині зображення мають плавні контури. На мал. 7а й мал. 7б представлено градієнтне зображення точного масштабу, отримане на основі вихідного зображення й, відповідно, результат застосування ватершед-перетворення. На мал. 7в і мал. 7г показані аналогічні зображення для випадку грубого масштабу. На мал. 4г і мал. 4б показаний результат використання пропонованого алгоритму. Легко бачити, що тільки у випадку застосування запропонованого алгоритму всі контури об'єктів були визначені щонайкраще

Порівняльня характеристика

Незважаючи на те, що математичний апарат вейвлет-аналіза добре розроблений і теорія, загалом , оформилася, вейвлети залишають велике поле для досліджень. Досить сказати, що вибір вейвлета, найбільш підходящого для аналізу конкретних даних, являє собою скоріше мистецтво, чим рутинну процедуру. Крім того, величезне значення має завдання розробки додатків, що використають вейвлет-аналіз - як у перерахованих областях, так і в багатьох інших, перелічити які просто не представляється можливим[11].

Градієнтський метод дозволяє одержувати комбіноване зображення, що підсумує інформацію отриману на градієнтних зображеннях різного масштабу. На відміну від інших методів, заснованих на багатомасштабному аналізі градієнтних зображень, результатом яких є картина границь, цей метод дозволяє одержати багатомасштабного градієнта зображення, до якого далі можуть бути застосовані традиційні методи сегментації. Аналіз градієнтних зображень від точних масштабів до грубого дозволяє точно визначити різкі контури об'єктів малого розміру, що є актуальним для часто, що зустрічаються на практиці зображень, що містять букви й символи. Пропонований метод дозволяє уникнути при переході до великих масштабів "розмазування" різких границь, отриманих на точних масштабах. Це досягається скасуванням застосування оператора градієнта великого масштабу на околицях різких границь. Але, у той же час, метод дозволяє визначити й плавні границі, одержувані тільки при застосуванні диференціального оператора великого масштабу.

Тому що пропонований метод є чутливим до шуму, то для зашумлених зображень пропонується модифікація методу, заснована на застосуванні ватершед-перетворення. Пропонована модифікація методу дозволяє значно зменшити негативний вплив шуму на результуюче градіентне зображення[12].

Висновки

Комп'ютерна обробка зображень як фундаментальний науковий напрямок є невичерпною. Цей напрямок опирається на математику, фізику, біологію, інформатику. Методи й засоби комп'ютерної обробки зображень мають найрізноманітніші застосування: наука, техніка, медицина, соціальна сфера. Практично вже зараз прогрес суспільства, особливо в сфері охорони здоров'я, багато в чому залежить від досягнень комп'ютерної обробки зображень. Надалі роль комп'ютерної обробки зображень у житті людини буде зростати ще більше.В даній роботі було розглянуто основні два метода покращення зображення при зменшені „Блочного ефекту”. Робота проводилася з метою виявлення можливостей та функцій, які мають методи, також були проведені порівняння й оцінки отриманих результатів. В роботі наведена, коротка характеристика вейвлет методу та градієнтського потоку, в якій стисло надана інформація про методи та їхні можливості.

Використані джерела

1. Добеши И. Десять лекций по вейвлетам. Москва, "РХД", 2001 г.

2. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. С.-Петербург, ВУС, 1999 г.

3. Смоленцев Н. К. Основы теории вейвлетов. – М.: ДМК Пресс, 2005. – 304 с., ил.

4. Mallat S. A theory for multiresolutional signal decomposition: the wavelet representation. IEEE Trans. Pattern Analysis and Machine Intelligence, 1989, N7, p.674-693.

5. R.C. Gonzalez, R.E. Woods, Digital Image Processing, Prentice-Hall, Inc, Upper Saddle River, New Jersey, pp. 617-626, 2002.

6. S. Beucher, F. Meyer, The Morphological Approach to Segmentation: The Watershed Transformation, in “Mathematical Morphology in Image Processing”, E. R. Dougherty Editor, Marcel Dekker, Inc, New York, pp.433-481, 1992.

7. D. Ziou, S. Tabbone, “Edge Detection Techniques”- An Overview, technical report, No. 195, Dept Math & Informatique. Universit de Sherbrooke, 1997.

8. F. Bergholm. “Edge Focusing”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(6), Nov 1987, pp. 726-741.

9. D.J. Williams and M.Shas. “Edge Contours Using Multiple Scales”. Computer Vision, Graphics and Image Processing, 51, 1990, pp.256-274.

10. V. Lacroix. “The Primary Raster: A Multiresolution Image Description”. In Proceedings of the 10th International Conference on Pattern Recognition, 1990, p. 903-907.

11. J.F.Canny. “A Computational Approach to Edge Detection”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), Nov 1986, pp. 679-698.

12. D. Ziou and S. Tabbone. “A Multi-Scale Edge Detector”. Pattern Recognition, 26(9), 1993, pp.1305-1314.