Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Кибернетика и программирование
Правильная ссылка на статью:

Разработка автоматизированной процедуры улучшения цифрового изображения при помощи маски Лапласа


Алексанин Сергей Андреевич

аспирант, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

197101, Россия, г. Санкт-Петербург, Конверкский проспект, 49

Aleksanin Sergei Andreevich

graduate student, St. Petersburg State University of Information Technologies, Mechanics and Optics

197101, Russia, Saint Petersburg, Kronverkskii Prospekt, 49

Aleksanin@diakont.com
Другие публикации этого автора
 

 
Федосовский Михаил Евгеньевич

кандидат технических наук

к.т.н., профессор. Заведующий кафедрой "Системы и технологии техногенной безопасности", Федеральное государственное автономное образовательное учреждение высшего образования Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики. Генеральный директор ЗАО «Диаконт»

197101, Россия, г. Санкт-Петербург, Кронверский проспект, 49

Fedosovskii Mikhail Evgen'evich

PhD in Technical Science

Ph.D. in Technical Sciences, Professor, Head of the Systems and technological safety technology Department, St. Petersburg National Research University of Information Technologies, Mechanics and Optics, General Director of "Diakont"

197101, Russia, Saint Petersburg, Kronverskii prospekt, 49

diakont@diakont.com
Другие публикации этого автора
 

 

DOI:

10.7256/2306-4196.2016.1.17851

Дата направления статьи в редакцию:

03-02-2016


Дата публикации:

11-02-2016


Аннотация: Предметом исследования являются автоматизированные процедуры выбора метода и и соответствующих параметров для улучшения цифровых изображений. В данной статье в качестве метода улучшения служит метод фильтрации, называемый маской Лапласа. Ввиду того, что изображение представляется дискретной функцией, то в качестве приближения непрерывной формулы двумерного оператора Лапласа служат различные дискретные представления. Кроме того были рассмотрены фильтры (маски) высоких частот Лапласа, которые достаточно часто используют при цифровой обработке изображений. Методология исследования базируется на вычислительных экспериментах. Программное обеспечение для этих экспериментов разработано при помощи системы MATLAB. Новизна исследований заключается с обозначением направления, которое поможет сократить временные затраты с одновременным повышением эффективности и надежности программного обеспечения для цифровой обработки изображений. Это подтверждается результатами численных экспериментов, которые были проведены при помощи разработанной автоматизированной процедуры выбора и настройки параметров маски Лапласа для цифровой обработки изображений.


Ключевые слова:

Обработка изображений, Улучшение изображения, Сглаживание изображения, Фильтрация изображений, Маска Лапласа, САПР, Автоматизированная процедура, MATLAB, Процедура выбора, Оператор Лапласа

Abstract: The study is devoted to automated procedures of selecting method and relevant parameters for digital image improvement. In this article the authors select filtering method known as Laplace mask to improve images. Since the image is represented by a discrete function, the authors use various discrete representations as an approximation of a continuous formula of two-dimensional Laplace operator. Additionally the paper reviews filters (masks) of Laplace high frequency which are frequently used in digital image processing. The research methodology is based on the computational experiments. Software for these experiments is designed using MATLAB system. The novelty of the research is to indicate the direction which will help reduce the time spent on image optimization while increasing the efficiency and reliability of the software for digital image processing. This is confirmed by the results of numerical experiments that were carried out with the use of the developed automated procedures for selecting and setting parameters Laplace masks for digital image processing.


Keywords:

Image processing, Image Enhancement, Image Smoothing, Filtering of images, Laplace mask, CAD, The automated procedure, MATLAB, The selection procedure, Laplace operator

Введение

В настоящее время уделяется повышенное внимание как за рубежом, так и в России, научным исследованиям в области разработки автоматизированных процедур для цифровой обработки изображений (ЦОИ), и в частности, созданию проб­­­лем­­­­но-ори­ен­ти­­рованных под­­сис­те­м, с ре­а­ли­за­цией в этих подсис­те­­мах оп­­ре­де­лен­ных иерар­­­хи­чес­­ких про­це­ду­р, удов­­лет­во­­ря­ющих тре­бо­ва­ни­ям об­щей те­­о­рии автоматизированного проектирования [1,2]. Это можно объяснить тем, что ЦОИ стала просто незаменимой при решении многих задач. Без ЦОИ уже нельзя обойтись при научных исследованиях в области освоения космоса, медицины, информационных технологиях и так далее [3,4]. Хорошим примером применения методов ЦОИ служит задача коррекции искажений на изображении [5]. Ко всему этому можно добавить, что область использования ЦОИ постоянно увеличивается. Но вместе с тем, можно выделить следующие характерные особенности:

  • Существует достаточно много различных алгоритмов и подходов для решения разных задач ЦОИ. Но к сожалению, для большинства алгоритмов нельзя заранее сказать, насколько обосновано (в смысле качества обнаружения, быстродействия и т.д.) их использование при решении определенной задачи ЦОИ.
  • Практически для любой задачи всегда можно подобрать некоторое количество алгоритмов, при помощи которых ее можно решить. Но вот выбор из них оптимального, исходя из заданного множества критериев, достаточно часто базируется на эвристических принципах и (или) результатах вычислительных экспериментов по решению конкретной задачи. Именно поэтому очень много времени разработчики тратят на реализацию требуемых алгоритмов и сравнений результатов их работы.
  • В большинстве случаев при решении конкретных задач применяют различные комбинации известных алгоритмов. Это связано с тем, что для разработки абсолютно нового алгоритма необходим колоссальный опыт работы в области ЦОИ.

Анализ указанных особенностей показал, что одним из направлений по сокращению временных затрат и повышения эффективности и надежности программного обеспечения для ЦОИ является разработка средств, автоматизирующих процедуры выбора и настройки алгоритмов ЦОИ.

В данной работе представлена разработанная автоматизированная процедура для решения вышеназванной задачи коррекции искажений на изображении.

Постановка задачи улучшения изображения

Улучшение изображения – это процесс манипулирования изображением, в результате которого оно становится более подходящим для конкретного применения, чем оригинал. Здесь важно слово “конкретного”, так как оно изначально требует, что методы улучшения изображений являются проблемно-ориентированными. Так, например, метод, который весьма полезен для улучшения рентгеновских изображений, может оказаться не лучшим подходом для улучшения спутниковых изображений, снятых в инфракрасном диапазоне электромагнитного спектра.

Общей теории улучшения изображений не существует. Если изображение обрабатывается с целью визуальной интерпретации, то оценку, насколько хорошо работает конкретный метод, дает, в конечном счете, наблюдатель. Методы улучшения настолько разнообразны и используют так много различных подходов к обработке изображения, что трудно собрать осмысленную совокупность подходящих для улучшения методов в одной главе, не проводя отдельное обширное исследование.

Следует учитывать тот факт, что применение методов улучшения изображений очень часто приводит к искажению информации об объектах, которые присутствуют там. Например, увеличение контраста и усиление краев зачастую приводит к искажениям форм и размеров дефектоскопического объекта, что недопустимо.

Предлагается для решения этой задачи не использовать методы улучшения изображений, а использовать методы фильтрации полезного сигнала, понимая под которым изображения дефектов. В этом случае сигнал от дефекта можно интерпретировать как локальную неоднородность двумерного конечного нестационарного стохастического сигнала. Следовательно можно ставить задачу фильтрации на фоне помех локальных неоднородностей в изображении.

С формальной точки зрения цифровое изображение представляет из себя двумерную матрицу f(x,y) размером DimXхDimY , где x – целое число от 0 до DimX-1, определяющее номер пикселя в строке, y – целое число от 0 до DimY-1, определяющее номер строки матрицы, где находится данный пикселя.

В самом простом случае любой пиксель имеет скалярное целочисленное значение, которое пропорционально значению функции распределения яркости f(x,y) в данной точке плоскости.

В таком представлении над изображением f(x,y) можно производить различные алгебраические операции.

Формально процесс искажения исходного изображения f(x,y) можно записать так:

g(x,y)=H(f(x,y)) + n(x,y) , (1)

где g(x,y) – искаженное изображение;

n(x,y) – аддитивный шум;

H(*)– искажающий оператор

Базируясь на (1), задачу улучшения изображения можно сформулировать следующим образом:

Имеем:

– искаженное изображение g(x,y);

– информацию об опера­торе H(*) и основных параметрах n(x,y) .

Требуется:

– Построить приближенное изображение максимально близкое к исходному изображению.

Схематически эта постановка представлена на Рисунке 1.

_1_01

Понятно, что чем больше информации об опера­торе H(*) основных параметрах n(x,y), то тем ближе (в заданной метрике) изображение f(x,y) к функции _fx . Необходимо отметить, что в ситуациях, когда искажения в изображение вносит исключительно шум, то (1) преобразуется в достаточно простое выражение:

__04.

В этих случаях для подавления шума можно применять методы пространственной филь­трации.

А если заранее известно, что H является линейным трансляционно-инвариантным оператором, то можно представить в виде

__05

h(x,y) – пространственное представление искажающего оператора или передаточная функция. Она также носит название – функция разброса точек (PSF – Point Spread Function);

* – операция свертки

Так как операция свертки двух функций во временной области (или, как в данном случае пространственной) эквивалентна их произведению в частотной области, то это уравнение можно записать так:

__06.

Здесь заглавными буквами обозначены результаты преобразования Фурье соответствующих функций.

Функцию называют оптической передаточной функцией (OTF – Optical Transfer Function)

Разработка автоматизированной процедуры выбора параметров для маски Лапласа

Оператор Лапласа изображения f(x,y) записывается так:

__07 (2)

Ввиду того, что изображение представлено дискретной функцией, то в качестве приближений (2) применяют разные формулы, например:

eq2, eq2y

Отсюда следует, что:

___05

и соответствующая маска Лапласа будет иметь вид:

mask_laplas

Кроме того, в практике ЦОИ применяются следующие фильтры (маски) высоких частот Лапласа:

mask_laplas_1

Если качество восстановленного изображения не устраивает оператора, то он может выбрать следующую маску:

mask_laplas_mod

В этом случае, оператор в интерактивном режиме подбирает подходящий параметрalpha для более “тонкой” настройки.

Блок-схема алгоритма автоматизированного выбора маски Лапласа представлена на Рисунке 2.

_2_01

Результаты вычислительных экспериментов

Для отработки разработанной процедуры автоматизированного выбора параметров маски Лапласа была использована система MATLAB, при помощи которой было разработано соответствующее программное обеспечение [6-9]. После этого, были проведены численные эксперименты, результаты которых представлены на Рисунке 3 – 9.

На Рисунок 3 представлено исходной изображение.

На Рисунок 4 представлен результат обработки исходного изображения маской ML1.

На Рисунок 5 результат обработки маской ML2.

На Рисунок 6 результат обработки маской ML3.

На Рисунок 7 результат обработки маской MLα (α=0.6).

На Рисунок 8 результат обработки маской MLα (α=0.8).

На Рисунок 9 результат обработки маской MLα (α=1.0).

По результатам экспериментов был сделан вывод о целесообразности выбора маски Лапласа MLα (α=0.8).

_3_02 _4

Рисунок 3. Исходное изображение Рисунок 4. Результат обработки маской ML1

_5_01 _6_01

Рисунок 5. Результат обработки маской ML2 Рисунок 6. Результат обработки маской ML3

_7_02 _8_03

Рисунок 7. Результат обработки маской Рисунок 8. Результат обработки маской

MLα(α=0.6) MLα (α=0.8)

_9

Рисунок 9. Результат обработки маской

MLα (α=1.0)

Заключение

В настоящее время наблюдается непрерывное появление новых алгоритмов и методов для решения задач ЦОИ [10]. Этот факт говорит об отсутствии методов, удовлетворяющих в достаточной мере исследователей в области ЦОИ. Кроме того, необходимо отметить тот факт, что надёжность решения задач ЦОИ падает при снижении контрастности и резкости изображений, присутствия шумовых или геометрических искажений.

Поэтому, одним из направлений, которое поможет сократить временные затраты с одновременным повышением эффективности и надежности программного обеспечения для ЦОИ является разработка автоматизированных процедур выбора и настройки алгоритмов ЦОИ.

Библиография
1. Гатчин Ю.А., Коробейников А.Г. Проектирование интегрированных автоматизированных технологических комплексов// СПб: СПб ГИТМО (ТУ), 2000, 171 c.
2. Коробейников А.Г. Методы автоматизированного проектирования//LAP LAMBERT Academic Publishing-2011.-248 с.-ISBN 978-3-8465-1652-2
3. Гришенцев А.Ю., Коробейников А.Г. Методы и модели цифровой обработки изображений.-Санкт-Петербург: Политехнический университет, 2014.-190 с.-ISBN 978-5-7422-4892-7.
4. Коробейников А.Г., Божьев А.Н., Гатчин Ю.А., Савков С.В., Ашевский Д.Ю., Алексанин С.А., Заколдаев Д.А. Вероятностный подход к оценке информационных угроз радиоэлектронных объектов//Вестник Чувашского государственного университета.-Чебоксары: федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Чувашский государственный университет им. И.Н. Ульянова», 2015.-№ 3.-Информатика, вычислительная техника и управление.-С. 154-163.-ISSN 1810-1909.
5. Бейтс Р., Мак-Доннелл М. Восстановление и реконструкция изображений. — М.: Мир, 1989. 336 с.
6. Коробейников А.Г. Разработка и анализ математических моделей с использованием MATLAB и MAPLE. – СПб: СПбГУ ИТМО, 2010. – 144 с.
7. Коробейников А.Г. Проектирование и исследование математических моделей в средах MATLAB и MAPLE.-Санкт-Петербург: СПбГУ ИТМО, 2012.-160 с.
8. Коробейников А.Г., Гришенцев А.Ю. Разработка и исследование многомерных математических моделей с использованием систем компьютерной алгебры // СПбНИУ ИТМО.-Санкт-Петербург: СПбНИУ ИТМО, 2013.-100 с.
9. Коробейников А.Г. Математическое моделирование. Проектирование и анализ многомерных математических моделей с применением систем компьютерной алгебры // LAP LAMBERT Academic Publishing.-2014.-125 с.-ISBN 978-3-659-16593-1.
10. Коробейников А.Г., Алексанин С.А. Методы автоматизированной обработки изображений при решении задачи магнитной дефектоскопии // Кибернетика и программирование. - 2015. - 4. - C. 49 - 61. DOI: 10.7256/2306-4196.2015.4.16320. URL: http://www.e-notabene.ru/kp/article_16320.html
References
1. Gatchin Yu.A., Korobeinikov A.G. Proektirovanie integrirovannykh avtomatizirovannykh tekhnologicheskikh kompleksov// SPb: SPb GITMO (TU), 2000, 171 c.
2. Korobeinikov A.G. Metody avtomatizirovannogo proektirovaniya//LAP LAMBERT Academic Publishing-2011.-248 s.-ISBN 978-3-8465-1652-2
3. Grishentsev A.Yu., Korobeinikov A.G. Metody i modeli tsifrovoi obrabotki izobrazhenii.-Sankt-Peterburg: Politekhnicheskii universitet, 2014.-190 s.-ISBN 978-5-7422-4892-7.
4. Korobeinikov A.G., Bozh'ev A.N., Gatchin Yu.A., Savkov S.V., Ashevskii D.Yu., Aleksanin S.A., Zakoldaev D.A. Veroyatnostnyi podkhod k otsenke informatsionnykh ugroz radioelektronnykh ob''ektov//Vestnik Chuvashskogo gosudarstvennogo universiteta.-Cheboksary: federal'noe gosudarstvennoe byudzhetnoe obrazovatel'noe uchrezhdenie vysshego professional'nogo obrazovaniya «Chuvashskii gosudarstvennyi universitet im. I.N. Ul'yanova», 2015.-№ 3.-Informatika, vychislitel'naya tekhnika i upravlenie.-S. 154-163.-ISSN 1810-1909.
5. Beits R., Mak-Donnell M. Vosstanovlenie i rekonstruktsiya izobrazhenii. — M.: Mir, 1989. 336 s.
6. Korobeinikov A.G. Razrabotka i analiz matematicheskikh modelei s ispol'zovaniem MATLAB i MAPLE. – SPb: SPbGU ITMO, 2010. – 144 s.
7. Korobeinikov A.G. Proektirovanie i issledovanie matematicheskikh modelei v sredakh MATLAB i MAPLE.-Sankt-Peterburg: SPbGU ITMO, 2012.-160 s.
8. Korobeinikov A.G., Grishentsev A.Yu. Razrabotka i issledovanie mnogomernykh matematicheskikh modelei s ispol'zovaniem sistem komp'yuternoi algebry // SPbNIU ITMO.-Sankt-Peterburg: SPbNIU ITMO, 2013.-100 s.
9. Korobeinikov A.G. Matematicheskoe modelirovanie. Proektirovanie i analiz mnogomernykh matematicheskikh modelei s primeneniem sistem komp'yuternoi algebry // LAP LAMBERT Academic Publishing.-2014.-125 s.-ISBN 978-3-659-16593-1.
10. Korobeinikov A.G., Aleksanin S.A. Metody avtomatizirovannoi obrabotki izobrazhenii pri reshenii zadachi magnitnoi defektoskopii // Kibernetika i programmirovanie. - 2015. - 4. - C. 49 - 61. DOI: 10.7256/2306-4196.2015.4.16320. URL: http://www.e-notabene.ru/kp/article_16320.html