Faz tutarlılığına dayalı çevresel bastırma hedefinin kontur algılama algoritması
Liu Yang, Hu Yulan
(Bilgi Bilimi ve Mühendisliği Okulu, Shenyang Ligong Üniversitesi, Shenyang 110159, Liaoning)
: Görüntü kontrastı ve parlaklık değişikliklerinden etkilenen ve aşırı gürültü ve kontur zayıflaması gibi problemlerin olduğu karmaşık arka plan altında geleneksel hedef kontur algılama algoritması hedeflenerek, yeni bir faz tutarlılığı çevresel bastırma kontur algılama algoritması önerilmiştir. Faz tutarlılığı (PC) ilkesine dayanan algoritma, kontrast ve parlaklıktaki değişikliklerin etkilerinin üstesinden gelen bir faz tutarlılık modeli oluşturmak için önce Log_Gabor'u kullanır; ikinci olarak, toplam bir varyasyon deno modelini sunar, faz tutarlılığını iyileştirir ve çok sayıda Gürültü; Son olarak, doku kenarlarını bastırmak ve gerçek konturları daha belirgin hale getirmek için yukarıdaki modeli optimize etmek için izotropik bir çevresel bastırma modeli önerilmiştir. Simülasyon sonuçları, PC modeli ve çevresel bastırma algoritması ile karşılaştırıldığında, yeni algoritmanın daha yüksek doğruluğa sahip olduğunu, geleneksel yöntemden önemli ölçüde daha iyi olduğunu ve daha yüksek kararlılığa sahip olduğunu göstermektedir.
: Kontur algılama; faz tutarlılığı; toplam varyasyon; çevresel bastırma
: TP391 Belge tanımlama kodu: A: 10.19358 / j.issn.1674-7720.2017.02.015
Alıntı biçimi Liu Yang, Hu Yulan. Faz tutarlılığına dayalı çevresel bastırma hedefi için kontur algılama algoritması J. Mikrobilgisayar ve Uygulama, 2017,36 (2): 44-47.
0 Önsöz
Kontur algılama, görüntünün bağlam bilgisini kenar algılama temelinde dikkate alır ve hedef tanıma [1] vb. Gibi makine görmesinde yaygın olarak kullanılır. Bu nedenle, insanlar makine öğrenimi [2] gibi çok sayıda kontur algılama yöntemi önermiştir. , Gri fark [3] vb. Bununla birlikte, kontur tespitinde hala tamamen çözülmekten uzak birçok zorluk vardır.
Canny ve Robert operatörleri gibi yöntemler temel olarak parlaklık gradyanı hesaplamalarına dayanır ve doğal görüntü araştırmalarında geniş bir uygulama alanına sahiptir.Ancak bu operatörler gürültüden kolayca etkilenir ve karmaşık arka plan dokularına sahip görüntüler için parlaklık ve kontrasttan kolayca etkilenir. Bu nedenle, istenen sonucu yalnızca gri gradyan algılama operatörüne güvenerek tespit etmek zordur. Bu tür yöntemin eksiklikleri için, bazı bilim adamları faz tutarlılığı ilkesine dayanan bir kenar algılama algoritması önermişlerdir [4] Bu tür bir yöntem, parlaklık ve kontrasttaki değişikliklere duyarlı olmayan faz bilgisinin avantajlarından tam olarak yararlanır. Ancak, faz tutarlılığına dayalı algılama algoritmaları, normalleştirme işlemi sırasında gürültüye karşı hassastır [5]. Bu soruna yanıt olarak, bazı bilim adamları gürültüyü iyi bir şekilde ortadan kaldırabilen toplam bir varyasyon denoising modeli [6] önermişlerdir. Faz-tutarlı algılama modelinin avantajları ve toplam varyasyon giderme modelinin kenar tanımı ve gürültü ayrımı açısından avantajları göz önüne alındığında, iki modelin kombinasyonu ve karmaşık arka planlarda hedef kontur tespitinin uygulanması, yukarıda bahsedilen tutarlılığı bir dereceye kadar çözer. Modelin dezavantajları. Bununla birlikte, yukarıdaki yöntemlerin sonuçlarında hala çok sayıda doku bilgisi bulunmaktadır. Arka plan dokusunun üstesinden gelmek için, bazı bilim adamları, kenar algılama için Gabor enerjisini kullanan ve daha sonra izotropik bir çevresel bastırma modeli elde etmek için klasik olmayan alıcı alan bastırmayı gerçekleştiren görsel mekanizmaya [7] dayalı bir kontur algılama algoritması önermişlerdir. Bununla birlikte, yukarıdaki araştırma sonuçlarında dokunun bir kısmı çıkarılsa da, konturda hala bir süreksizlik vardır. Yukarıdaki araştırma geçmişine ve mevcut algoritmaların eksikliklerine dayanarak, bu makale gürültü etkisi, güçlü doku giderme ve zayıf kontur koruması sorunlarını çözen, faz uyumlu bir çevresel bastırma modeli önermektedir. Deneysel sonuçlar, modelin uygulanabilir ve verimli olduğunu göstermektedir.
1 faz tutarlılığı
1.1 Faz tutarlılığı ilkesi
Faz tutarlılığı ilkesi, insan görsel algısının görüntü özelliklerinin harmonik bileşenlerin örtüştüğü maksimum aşamada ortaya çıkmasıdır. Bazı bilim adamları, deneylerde, faz tutarlılığının, insan görsel algı sisteminin görüntünün kendisinin özelliklerinin bilişiyle tutarlı olduğunu doğruladılar [8]. Faz özelliği çıkarma algoritması, görüntü sinyali üzerinde Fourier dönüşümü gerçekleştirmek ve bileşen fazları tespit edilen özellik noktaları olarak tutarlı olan noktaları kullanmaktır. Şekil 1'de gösterildiği gibi, Fourier serisi kare dalgaları ve üçgen dalgaları temsil eder. Karakteristik noktalar, harmonik bileşenlerin en çok örtüştüğü 0 ve fazlarında görünür. Karakteristik olmayan noktaların tutarlılığı, sinüs bileşeninin salınımından dolayı değişir. Benzer şekilde, üçgen dalganın özellikleri de fazların / 2, 3 / 2 ve 5 / 2 olduğu noktalarda ortaya çıkar. Bu nedenle, görüntü kenarını çıkarmak için faz tutarlılığı algoritmasının kullanılması dalga formu hakkında varsayımlar yapmaya gerek yoktur ve yalnızca Fourier dönüşüm alanında faz tutarlılığı ilkesine göre basit bir sorgu gerçekleştirmeye ihtiyaç duyar.
Tek boyutlu bir sinyal için I (x) Fourier genişlemesi şu şekilde ifade edilir:
I (x) = Ancos (nx + n0) = Ancos (n (x)) (1)
Formülde An, n'inci harmonik bileşenin genlik değeridir, bir sabittir, n0, n'inci harmonik bileşenin faz kaymasıdır ve n (x) işlevi, bileşenin x noktasındaki yerel faz değerini temsil eder.
Morrone ve diğerleri, tek boyutlu bir sinyalin faz tutarlılık fonksiyonunu tanımladı:
Bunlar arasında, -n (x) yerel fazların ağırlıklı ortalamasıdır. Denklem (2) den PC (x) değerinin 0 ile 1 arasında olduğu görülebilir. Tüm Fourier bileşenleri aynı faza sahip olduğunda, Maksimum değer.
Formül (2) gürültüden kolayca etkilenir, bu nedenle makalede KOVES P [9] geliştirilmiş faz tutarlılığı hesaplama yöntemi seçilir ve frekans genişlemesi ve gürültü telafisi de dikkate alınır:
P
Formülde, W (x) frekans genişlemesinin ağırlığıdır; T gürültü tahminidir; küçük bir sabittir; n (x) yeni faz kaydırma fonksiyonudur.
Görüntüler iki boyutlu olduğundan, Gabor filtreleri genellikle belirli hesaplamalarda orijinal Fourier dönüşümünün yerini almak için kullanılır. Karmaşık doğal görüntünün kontur özelliklerini daha iyi çıkarmak için, bu makale Log_Gabor dalgacık [10] 'un faz tutarlılık modelini benimser.
Log_Gabor dalgacık, gerçek kısmı ve sanal kısmı ortogonal olan karmaşık bir dalgacıktır.Sıfır DC bileşeni, geniş bant yapısında kısıtlanmamış olan sıfırdır. Log_Gabor dalgacık aktarımı işlevi:
Formülde, 0 merkez frekanstır ve k / 0, filtrenin şeklini koruyan bir sabittir.
Men ve Mon, sırasıyla n ölçeği ile simetrik ve tek simetrik dalgacıklar temsil ediyorsa, sinyal yanıtı ifadesi şöyledir:
En (x), (x) üzerinde = I (x) * Erkekler, I (x) * Pzt (6)
Bu ölçekte genlik ve faz şu şekilde ifade edilir:
Bir (x) = en (x) 2 + üzerinde (x) 2 (7)
n (x) = arctan2 (en (x), (x) üzerinde) (8)
Daha sonra iki boyutlu faz tutarlılık modeli şu şekilde ifade edilir:
Formülde, o ve n sırasıyla filtrenin yönünü ve ölçeğini temsil eder.
1.2 Toplam varyasyon modeline dayalı faz tutarlılığı iyileştirmesi
Geleneksel kenar algılama yöntemleriyle karşılaştırıldığında, faz tutarlılık modeli daha zayıf kenar bilgilerini algılayabilse de, karmaşık arka plana sahip doğal görüntülerin ayrıntılı özelliklerinde genellikle parazit bulunur. Bu nedenle, toplam varyasyon gürültü azaltma modelinin tanıtımı, faz tutarlılık modelini optimize edebilir ve gürültüyü ortadan kaldırabilir.
Gürültü ile karıştırılan görüntünün u ~, gürültüden arındırılmış görüntünün u ve and'nin gürültü olduğunu varsayalım. Sudan arındırma modeli şu şekilde ifade edilir:
u ~ = u + (10)
Gürültüden arındırma sonrasındaki görüntü kötü bir sorun olduğu için, RUDIN LI ve arkadaşları [11], bu sorunu sınırlı varyasyonun (BV) özelliklerine göre çözmek için tam varyasyon düzenleme fonksiyonunu kullandı. BV alanının düzgünlüğü nedeniyle, kenar bilgilerinin etkilenmemesini ve görüntüdeki gürültünün giderilebilmesini sağlayabilir.
Toplam varyasyondan arındırma modelinin matematiksel hesaplama formülü şöyledir:
minTV (u) + u ~ -u2L2 () (11)
Yukarıdaki formül, normal terimin ve yaklaşık terimin toplamı olarak ifade edilir ve işlevi, u'nun düzgünlüğünü kısıtlamaktır; , düzenlileştirme parametresini temsil eder ve değeri pozitiftir, amaç, normal terimi ve yaklaşık terimi dengede tutmaktır. Araştırmalar gösteriyor ki ne kadar büyükse, gürültü giderme etkisi o kadar küçük ve u ve u ~ o kadar yakın.
uL2 (), toplam varyasyonun ifadesi:
Formüller (11) ~ (16) 'dan, u ~ benzerliği çözülebilir, u orijinal görüntüye benzer pürüzsüz bir görüntüdür ve bu görüntüden yanlış kenarlar kaldırılır.
TV-L2'nin faz tutarlılık modelinin ifadesiyle birleştirilen formül (9) ve formül (11) 'i birleştirin:
PC (x, y) = PCu (x, y) PC2 (x, y) (17)
Formülde, PC '(x, y), (x, y) noktasındaki faz çakışması değeridir ve PCu (x, y), u'nun orta noktasındaki (x, y) faz çakışması değeridir.
2 İzotropik çevresel bastırma modeli
Yukarıdaki geliştirilmiş yöntem gürültüyü ve yanlış kenarları ortadan kaldırsa da, karmaşık arka planlara sahip doğal görüntüler için algılama sonuçları hala ideal değildir ve dokular vardır Bu nedenle, bu makale, yukarıdaki algoritmayı ilerletmek için klasik olmayan alıcı alan modelinde izotropik çevresel bastırma modelini sunar. optimizasyon.
2.1 Çevresel bastırma
Nöron çevresinin inhibe edici etkisini açıklayan mesafe ağırlık fonksiyonu aşağıdaki formülden oluşur:
Formülde, · 1 L1 normunu temsil eder ve H (z) operatörün bastırma alanında yani klasik olmayan alıcı alanda hareket etmesini garanti eder. DOG (x, y) klasik olmayan alıcı alanı simüle eder. Şekil 2 Klasik olmayan alıcı alan (örneğin Şekil 2, halka şeklindeki alanı gösterir ve zayıftan güçlüye ve sonra güçlüden zayıfa inhibisyondaki değişimin yoğunluğunu yansıtır.
2.2 İzotropik inhibisyon
Bazı çalışmalar [12], birincil görsel korteks hücrelerinde izotropik inhibisyonlu hücrelerin oranının anizotropik inhibisyona göre daha büyük olduğunu ve izotropik inhibisyon modelinin simülasyonunun daha kolay, uygulanması kolay ve hesaplaması basit olduğunu göstermiştir [12] , İnhibisyon etkisi iyidir, bu nedenle bu makaledeki klasik olmayan alıcı alan modeli izotropik inhibisyonu seçer.
İzotropik çevresel bastırma parametresi t (x, y), dış çevresel yönelimden etkilenmez ve yalnızca uzaklık faktörünü dikkate alır. İfade aşağıdaki gibidir:
t (x, y) = (PC (x, y) * (x, y)) (20)
Bastırmadan sonraki çıktı yanıtı şöyledir:
o (x, y) = H [{PC (x, y) · t (x, y)}] (21)
Bunlar arasında, bastırma parametresidir, 'nın değeri ne kadar küçükse bastırma gücü o kadar zayıftır ve bunun tersi de o kadar güçlüdür. Genel olarak, dokulu bir kenarı bastırmak için daha büyük miktarda bastırma gerekir ve daha az miktarda bastırma bir çevreye karşılık gelir, böylece hedef çevre o (x, y) tepkisinden daha kolay çıkarılabilir.
3 Yeni hedef kontur tespit algoritmaları
Algoritma, ilk olarak görüntünün kenarlarını çıkarmak için faz tutarlılık algoritmasını kullanır ve kontrast ve parlaklıktan etkilenmeyen özellik değerlerini elde eder; ikinci olarak, nihai konturun iyi bir düzgünlüğe sahip olması için yukarıda elde edilen sonuçlar üzerinde toplam varyasyon denoize işlemi gerçekleştirilir. Sonraki doku işleme için daha iyi koşullar sağlayın; Son olarak, izotropik çevresel bastırma modelinin (SS) yeni algoritma akış şeması, dokuyu bastırmak ve son olarak daha fazla vücut konturu ve daha az doku kenarı elde etmek için sunulmuştur. Algoritma akışı Şekil 3'te gösterilmektedir.
4 Deneysel sonuçlar ve performans değerlendirmesi
Deneysel sonuçlar MATLAB 2013 yazılım programlaması ile gerçekleştirilmiştir ve görüntü örnekleri Grigorescu görüntü kitaplığındaki 40 görüntüdür [12] Bu deneyde, yeni algoritma geleneksel kontur algılama algoritması PC algoritması ve izotropik periferik bastırma modeli ile karşılaştırılmıştır. Bu makale, algoritma performansının artılarını ve eksilerini tespit etmektedir.
4.1 Deneysel sonuçlar
Şekil 4'ten, bu makaledeki algoritmanın daha az yanlış kenar içerdiği, daha iyi süreklilik ve tamlığa sahip olduğu ve gerçek konturların belirgin şekilde belirgin olduğu görülmektedir.Şekil 4'teki üçüncü grafik Keçi'yi örnek olarak alın, kafa, gövde ve arka plan Karmaşık çim ile karşılaştırıldığında kontrast düşüktür.Buna rağmen bu algoritma kontrast ve gürültünün etkilerinin üstesinden gelir ve dokuyu iyi bastırır; ikinci resimdeki aslan, kafa ve gövdede çok sayıda düzensiz kıl olmasına rağmen, bu algoritma Algoritma tarafından tespit edilen sonuçlar daha iyi devamlılığa ve akıcılığa sahiptir. Kısacası, bu algoritma gürültünün üstesinden gelmede, dokuyu bastırmada ve düşük kontrastlı kontur bilgilerini korumada daha etkilidir.
4.2 Nicel performans değerlendirmesi
GRIGORESCU C ve diğerleri, kontur algılama performansını değerlendirmek için bir performans indeksi - doğruluk oranı P önermiştir [13]. EGT ve BGT, sırasıyla, zemin gerçek kontur görüntüsünün kontur piksellerinin ve arka plan piksellerinin koleksiyonunu temsil ederken, ED ve BD sırasıyla saptanan kontur görüntüsünün kontur piksellerinin ve arka plan piksellerinin koleksiyonunu temsil eder. Doğru algılanan kenar pikselleri, eksik kenar EFN'si ve yanlış kenar EFP'si aşağıdaki gibi tanımlanır:
E = EDEGT (22)
EFN = BDEGT (23)
EFP = BGTED (24)
Kontur dedektörünün performansı [14] Hesaplama formülü: P = kart (E) / (kart (E) + kart (EFP) + kart (EFN)) (25)
Kaçırılan tespit oranı ve yanlış tespit oranı sırasıyla:
efn = kart (EFN) / kart (GT) (26)
efp = kart (EEP) / kart (E) (27)
kart (x), x kümesindeki elemanların sayısını temsil eder. Yukarıda belirtilen veri tabanından, performans göstergelerini hesaplamak için 10 görüntü seçin ve Tablo 1'de farklı modellerin performansını karşılaştırın.
Tablo 1'deki sonuçlar, bu yazıda önerilen dedektör modelinin en yüksek P değerini sağladığını göstermektedir Genel olarak, bu modelin görüntü konturlarının çıkarılmasındaki avantajı diğer iki modelden önemli ölçüde daha yüksektir ve algılama performansı daha iyidir.
5. Sonuç
Yeni hedef kontur algılama algoritması, katman katman optimizasyon yoluyla uygulanır. Faz tutarlı modeli, kontrast ve parlaklık değişikliklerinin algılama sonuçları üzerindeki etkisinin üstesinden gelir ve toplam varyasyon modeli, yanlış kenar algılamasını önlemek için çok fazla gürültüyü ortadan kaldırır. Son olarak, izotropik çevresel bastırma modeli, arka plan dokusunun etkisini etkin bir şekilde ortadan kaldıran ve son kontur tespit haritasını elde eden nihai optimizasyon için kullanılır Ana kontur sınırı daha nettir ve kontur tespit haritasının performansı optimize edilir. Yeni integral algoritması basit ve etkilidir.Kantitatif ve kalitatif deneysel analiz sayesinde, bu algoritma uygulanabilir ve diğer iki algılama algoritmasından daha üstündür.
Referanslar
1 LEORDEANU M, SUKTHANKARR, SMINCHISESCU C.Çoklu görüntü yorumlamalarından genelleştirilmiş sınırlar J. Pattern Analysis and Machine, 2014, 36 (7): 1312-1324.
2 MARTIN DR, FOWLKES C, MALIK J. Yerel parlaklık, renk ve doku ipuçlarını kullanarak doğal görüntü sınırlarını tespit etmeyi öğrenme Learning J. Desen Analizi ve Makine Zekası, 2004, 26 (5): 530-549. 3 ] LIM DH, JANG S J. Gürültülü görüntülerde kenar algılama için iki örneklem testlerinin karşılaştırması J. Royal İstatistik Topluluğu Dergisi, 2002, 51 (1): 21-30.
4 Xiao Pengfeng, Feng Xuezhi, Zhao Shuhe, ve diğerleri Faz tutarlılığına dayanan yüksek çözünürlüklü uzaktan algılamalı görüntü özelliği algılama yöntemi J. Journal of Remote Sensing, 2007,11 (3): 303-310.
5 Luo Ding, Zhao Rongchun, Ci Linlin, ve diğerleri Hibert filers tarafından faz uygunluğuna dayalı kenar algılama J. Journal on Image and Graphics, 2004,9 (2): 139145.
[6] RUDIN L I, OSHER S, FATERMI E. Doğrusal olmayan toplam varyasyon tabanlı gürültü giderme algoritmaları J Physica D: Nonlinear Phenomena, 1992, 60 (1): 259-268.
7 JONES H E, GRIEVE K L, WAND W, ve diğerleri. Primat V1 J'de çevresel bastırma. Nörofizyoloji, 2001, 86 (10): 2011-2028.
8 MAHMOUDI M T. Şerit tespiti için kenar dedektörlerinin karşılaştırmalı bir çalışması C. Uluslararası Görüntüleme Bilimi, Sistemleri ve Teknolojisi Konferansı Bildirileri, 2003: 526-530.
9 KOVES P. Kenarlar sadece adımlar değildir C. ACCV 2002 İşlemleri. Melbourne, Avustralya, 2002: 822-827.
[10] Xu Han Log_Gabor Dalgacık Faz Tutarlılığına Dayalı Palmprint Tanıma Algoritması Araştırması J. Manufacturing Automation, 2011, 33 (4): 4-6.
11 RUDIN L I, OSHER S, FATEMI E. Doğrusal olmayan toplam varyasyon tabanlı nosie kaldırma algoritmaları J. Physica D: Nonlinear Phenomena, 1992,60 (1): 259-268.
12 Zeng Chi, Li Yongjie, Yang Kaifu, ve diğerleri Kelebek şeklinde inhibisyon alt bölgeleri olan klasik olmayan bir alıcı alan modeline dayalı kontur algılama J. Neurocomputing, 2011, 74 (10): 1527-1534.
13 GRIGORESCU C, PETKOV N, WESTENBERG M A. Klasik olmayan alıcı alan inhibisyonuna dayalı kontur algılama J. IEEE İşlemleri Görüntü İşlemi, 2003, 12 (7): 729-739.
