Безперервне зростання об’ємів інформації, що зберігається та оброблюється кожен день створює гостру необхідність створення систем та методів розпізнавання зображень. Задача розпізнавання образів досі не вирішена в повному обсязі. Існуючі методи аналізу об’єктів на зображеннях не дозволяють ефективно і повною мірою вирішити складні задачі розпізнавання, пов’язані з спотвореннями частин об’єктів, тому що модель їх побудови принципово не здатна врахувати зовнішніх впливів і часткових помилкових описів, що виникають через це. Необхідна розробка універсальних структурних підходів, в основу яких має бути покладений ієрархічний аналіз безлічі описів частин об’єктів і можливість прийняття рішення за поданням, що включає неправдиві структури.
В даний час розроблена величезна кількість методів і алгоритмів сегментації зображень. Кожен з них має право на існування і певну область застосування, яка залежить від характеру відмінностей вхідних та еталонних зображень, вимог до об’ємів обчислень і швидкості ухвалення рішень. Рішення проблеми розпізнавання значно ускладнюється змінами об’єкта під дією геометричних перетворень, його положення, а також під впливом зовнішнього середовища. Ці фактори призводять до спотворень окремих фрагментів аналізованих об’єктів, а також до формування елементів помилкових об’єктів з близькими характеристиками. Існуючі методи в основному представляють лише первинне розбиття, що не забезпечує контекстну інтерпретацію зображень. Сегментація на сьогоднішній день є одним з найбільш потужних і перспективних інструментів попередньої обробки даних для інтерпретації зображень [1] .
Параметри надійності і достовірності обробки у алгоритмах сегментації залежать від того, наскільки повно враховуються характеристики розподілу яскравості на зображенні в областях фону та об’єктів, та від самої форми об’єктів та кількості перепадів яскравості. До основних підходів сегментації відносять процес пошуку однорідних областей та виділення контурів об’єктів зображення. На сьогоднішній день з’являється все більше комбінованих методів, які об’єднують обидва підходи. Так, методи можна розділити на групи, кожна з яких використовує одну певну ознаку зображення, за якою буде виконана сегментація [2], самі ж алгоритми поділяються на порогові, текстурні, нарощування, злиття-розщеплювання областей і методи, які використовують кластерний аналіз.
Вибір доцільного та ефективного методу сегментації значно залежить від змісту початкового зображення. В свою чергу, сегментацію шляхом виділення контурів та кластерну сегментацію доцільно використовувати для напівтонових та кольорових зображень. Аналіз експериментальних досліджень показує, що у кожній групі методів сегментації алгоритм у своєму початковому вигляді не дає ефективних результатів, тому доцільно проводити його модифікації для покращення обчислень. Так, для порогових методів рекомендується використовувати сегментацію окремих ділянок із застосуванням методу Отсу для обчислення значення порогу, при сегментації методом виділення кордонів необхідно оцінювати ступінь пошкодження ділянок для проведення їх реставрації, а при сегментації на основі теорії кластеризації слід проводити попередню оцінку вхідного зображення для визначення кількості кластерів.
Список використаних джерел:
1. Прэтт У. Цифровая обработка изображений. В 2-х книгах: пер. с англ. / У. Прэтт. – М.: Мир,2009. – 792 с.
2. Сойфер В.А. Методы компьютерной обработки изображений / В.А. Сойфер. – М.: Физматлит,2013. – 784 с.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter