Метод уточнения границ объектов на изображении

В данной работе предлагается использовать расширение базовой постановки задачи при Байесовском подходе к обработке изображений. Данное расширение предполагает использование некоторого "управляющего" изображения, в роли которого выступает исходное изображение, и анализируемого изображения, которое представляет собой грубую оценку границ объектов на изображении. Результат обработки в задаче уточнения границ объектов на изображении получается путем передачи структуры с "управляющего" изображения на анализируемое, тем самым дополняя его.

Цель проекта: разработка метода уточнения границ объектов на изображении на основе нестационарной гамма – нормальной модели, и реализация его в среде математического моделирования Matlab для сравнения с другими алгоритмами и демонстрации результатов.
Задачи проекта:
- исследование современных методов и алгоритмов уточнения границ объектов на изображении;
- математическое описание разрабатываемого метода уточнения границ объектов на изображении на основе нестационарной гамма – нормальной модели;
- реализация быстрого алгоритма уточнения границ объектов на изображении в среде математического моделирования Matlab;
- тестирование полученного программного продукта на тестовом наборе изображений;
- сравнение результатов качества обработки изображений и времени работы разработанного алгоритма с результатами, полученными с помощью других современных алгоритмов уточнения границ объектов на изображении.

Сглаживание с сохранением границ является одной из ключевых методик предварительной обработки изображений для различных практических задач, от простого шумоподавления до восстановления структуры изображений. Основная сложность в использовании методов сглаживания является то, что они имеют тенденцию размывать тонкие структуры изображения во время обработки [1]. Желание получить наилучшее качество обработки, но при этом не потеряв детали объектов на изображении, приводит к появлению различных статей на эту тему, представляющих разные компромиссы в этом столкновении.

Понятно, что любая дополнительная информация о структуре изображения, которая может быть использована для алгоритма сглаживания, позволяет повысить качество результата обработки. Во многих практических задачах, информация о структуре изображения может быть извлечена из некоторого дополнительного «управляемого» изображения [2]. Например, в задаче передачи структуры объектов на изображении, грубый выход классификатора должен быть уточнен на основе исходного изображения, которое выступает в качестве «управляющего». Обратите внимание, что в данной задаче нужно передать структуру от одного изображения к другому.

Таким образм, в последнее время в литературе по анализу данных, обработке сигналов и изображений появляется новый класс фильтров, которые называются фильтрами передачи структуры [2, 4]. Работа по анизотропной диффузии [3] была одной из первых работ, в которой было предложено использовать дополнительную информации о стуктуре. Совместный билатеральный фильтр [4] и Наведенный фильтр [2], который в настоящее время занимает лидирующие позиции среди фильтров данного класса, используют дополнительное "управляющее" изображение, которое несет информацию о структуре. Основным недостатком совместного билатерального фильтра и Наведенного фильтра является наличие артефактов, которые визуально проявляются в виде ореолов по краям объектов. Наличие таких артефактов характерно для всех фильтров с конечной импульсной характеристикой, что объясняется эффектом Гиббса.

В данной работе мы используем байесовский подход к проблеме обработки изображений и других видов упорядоченных данных на основе свойств передачи структуры. В рамках данного подхода использование Марковских случайных полей позволяет учитывать структуру, извлеченную из «управляющего» изображения, путем установления соответствующих вероятностных отношений между элементами обрабатываемых данных. Модель Маркова необходимо обучить (то есть оценить ее параметры) на массиве входных данных и перенести на «управляемый» массив данных. Современные методы обучения для модели Маркова имеют один существенный недостаток - высокую вычислительную сложность. Это то, что ограничивает их использование в реальных системах компьютерного зрения и обработки изображений. Приближенные методы служат в качестве средства для борьбы с этим ограничением. Они позволяют найти приближенную оценку минимума энергии, например, по параметрам оценки активных полей Маркова, которые идеологически близок к методу, используемой в данной работе.

Для решения задачи уточнения границ объектов на изображении мы используем метод на основе нестационарной гамма-нормальной модели, предложенный в работе [5], который хорошо показал себя при решении ряда задач обработки изображений. Экспериментальные результаты показывают высокое качество получаемого результата обработки в сравнении с другими алгоритмами. А небольшое время работы (порядка 1 мс) позволяет применять разработанный алгоритм для обработки больших объекмов данных, что актуально в современном мире.

1. Gracheva I., Kopylov A. Fast global image denoising algorithm on the basis of nonstationary gamma-normal statistical model. Communications in Computer and Information Science. Springer. Vol. 542, pp. 71-83 (2015)
2. He K., Sun J., Tang X.: Guided Image Filtering. IEEE Trans. on Pattern Analysis and Machine Intel. 35(6), 1397-1409 (2013).
3. Perona P., Malik J.: Scale-space and edge detection using anisotropic diffusion. IEEE Trans. Pattern Anal. Mach. Intell. 12(7), 629-639
(1990).
4. Petschnigg G. et al.: Digital photography with flash and no-flash image pairs. ACM Trans. Graph. 23(3), 664-673 (2004).
5. Грачева И.А., Копылов А.В. Быстрые алгоритмы обработки изображений на основе гамма-нормальной модели скрытого поля. Машинное обучение и анализ данных. Т. 1 №12. С. 1677-1685 (2015).

In this paper propose to use extending the initial formulation with the Bayesian approach to image processing. This extension involves to use a "guided" of the image is taken as the original image, and the analyzed image, which is a rough estimate of the object's edges on the image. In the edges refinement problem the processing result is obtained by the structure transfer of the "guided" image on the analysed image, thereby supplementing it.