Методы решения

Первая задача. Для решения данной проблемы можно воспользоваться формулой расстояния w: E → R между двумя точками в трехмерном пространстве, переформулированную на язык цветов: w (u, v) =(ru − rv)2 + (gu − gv)2 + (bu − bv)2

Возможен также вариант, когда изображение сегментируется в трех разных цветовых пространствах, каждый со своей весовой функцией w (u, v) = |ru − rv |, w (u, v) = |gu − gv | и w (u, v) = |bu − bv | соответственно, после чего полученные результаты объединяются в один.

Вторая задача. Еще раз рассмотрим шаги 2 и 3 алгоритма Краскала, но с учетом сегментирования изображения. Итак, было выбрано минимальное не рассмотренное ребро

максимально похожие по цвету друг на друга две точки. Необходимо определить, являются ли они частью одного и того же объекта?

• Да, они являются элементами одного и того же подмножества. Продолжим выполнение алгоритма.

• Нет, выясним, необходимо ли их подмножества объединить в один объект. В алгоритме Краскала они бы сразу же объединились, что привело бы к высокому уровню погрешности в получаемом результате. Для предотвращения этого, необходимо выбрать критерий объединения двух подмножеств. Для того чтобы правильно определять, имеются ли различия между двумя объектами (подмножествами), будем учитывать перепады интенсивности в изображении. Каждому подмножеству сопоставим число

максимальный перепад интенсивности в объекте, то есть максимальный вес ребра в нем. При объединении двух старых множеств в новое ребром (u, v), будем считать его перепад по формуле max (C1, C2, w(u, v)), где C1 и C2 перепады интенсивности старых множеств.

Итак, получается, что для объединения сегментов необходимо, чтобы перепад интенсивностей на их границе должен быть меньше максимального перепада внутри

каждого из объединяемых сегментов.

Третья задача. При определении весов и перепадов интенсивностей между группами точек на очень пестрых и зашумленных изображениях, а также изображениях с артефактами, возникает проблема дробления на самом деле единого объекта на большое

количество небольших. Чтобы предотвратить данный неприятный эффект, к изображению можно применить размытие фильтром Гаусса [9, 10], что повышает уровень взаимопроникновения цветовых составляющих точек изображения.

Четвертая задача. Для того чтобы улучшить полученный результат можно, например, объединить ошибочно посчитанные за разные объекты области, одна из которых является сравнительно малого размера, то есть ввести константу smin объекты размера меньше которой считаются частью других. Также, в зависимости от постановки исходной задачи, можно пойти по совершенно другому пути ввести константу kmax

максимальное количество объектов в сегментации изображения. Если после разбиения изображения на объекты, оказалось, что количество полученных объектов превышает kmax, то отсортируем их по мощностям, и выберем из них kmax самых больших, а оставшиеся объекты небольшого размера объединим с включенными в сегментацию, опять же, с помощью алгоритма Краскала, но уже без условия перепадов интенсивности, которое было сформулировано в решении второй проблемы.

Дата добавления: 2015-08-18