Новый подход к выделению визуально подобных цветов изображений
Розглянуто бітову маску взаємозв’язків і рангів колірних компонентів пікселів для виділення візуально подібних кольорів зображень. Запропонований підхід орієнтований на обробку колірних характеристик зображень в просторі з рівнозначними складовими, для прикладу вибраний простір кольорів RGB. The bi...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2006 |
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2006
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/206938 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Новый подход к выделению визуально подобных цветов изображений / О.Л. Вовк // Проблемы управления и информатики. — 2006. — № 6. — С. 100-105. — Бібліогр.: 8 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-206938 |
|---|---|
| record_format |
dspace |
| spelling |
Вовк, О.Л. 2025-09-26T14:04:50Z 2006 Новый подход к выделению визуально подобных цветов изображений / О.Л. Вовк // Проблемы управления и информатики. — 2006. — № 6. — С. 100-105. — Бібліогр.: 8 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/206938 681.3 Розглянуто бітову маску взаємозв’язків і рангів колірних компонентів пікселів для виділення візуально подібних кольорів зображень. Запропонований підхід орієнтований на обробку колірних характеристик зображень в просторі з рівнозначними складовими, для прикладу вибраний простір кольорів RGB. The bit mask of correlations and ranks of colors components of pixels for the selection of visually similar colors of images is considered. The offered approach is oriented to processing of color descriptions of images in space with equivalent constituents, as an example the RGB colors space is chosen. ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Методы обработки и защиты информации Новый подход к выделению визуально подобных цветов изображений Новий підхід до виділення візуально подібних кольорів зображень The new approach to selection of visually similar colors of images Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Новый подход к выделению визуально подобных цветов изображений |
| spellingShingle |
Новый подход к выделению визуально подобных цветов изображений Вовк, О.Л. Методы обработки и защиты информации |
| title_short |
Новый подход к выделению визуально подобных цветов изображений |
| title_full |
Новый подход к выделению визуально подобных цветов изображений |
| title_fullStr |
Новый подход к выделению визуально подобных цветов изображений |
| title_full_unstemmed |
Новый подход к выделению визуально подобных цветов изображений |
| title_sort |
новый подход к выделению визуально подобных цветов изображений |
| author |
Вовк, О.Л. |
| author_facet |
Вовк, О.Л. |
| topic |
Методы обработки и защиты информации |
| topic_facet |
Методы обработки и защиты информации |
| publishDate |
2006 |
| language |
Russian |
| container_title |
Проблемы управления и информатики |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| format |
Article |
| title_alt |
Новий підхід до виділення візуально подібних кольорів зображень The new approach to selection of visually similar colors of images |
| description |
Розглянуто бітову маску взаємозв’язків і рангів колірних компонентів пікселів для виділення візуально подібних кольорів зображень. Запропонований підхід орієнтований на обробку колірних характеристик зображень в просторі з рівнозначними складовими, для прикладу вибраний простір кольорів RGB.
The bit mask of correlations and ranks of colors components of pixels for the selection of visually similar colors of images is considered. The offered approach is oriented to processing of color descriptions of images in space with equivalent constituents, as an example the RGB colors space is chosen.
|
| issn |
0572-2691 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/206938 |
| citation_txt |
Новый подход к выделению визуально подобных цветов изображений / О.Л. Вовк // Проблемы управления и информатики. — 2006. — № 6. — С. 100-105. — Бібліогр.: 8 назв. — рос. |
| work_keys_str_mv |
AT vovkol novyipodhodkvydeleniûvizualʹnopodobnyhcvetovizobraženii AT vovkol noviipídhíddovidílennâvízualʹnopodíbnihkolʹorívzobraženʹ AT vovkol thenewapproachtoselectionofvisuallysimilarcolorsofimages |
| first_indexed |
2025-11-27T05:09:33Z |
| last_indexed |
2025-11-27T05:09:33Z |
| _version_ |
1850801092683628544 |
| fulltext |
© О.Л. ВОВК, 2006
100 ISSN 0572-2691
УДК 681.3
О.Л. Вовк
НОВЫЙ ПОДХОД К ВЫДЕЛЕНИЮ ВИЗУАЛЬНО
ПОДОБНЫХ ЦВЕТОВ ИЗОБРАЖЕНИЙ
Введение. Построение эффективного механизма поиска в коллекциях визу-
альной информации — одна из актуальнейших задач современных научных ис-
следований в сфере компьютерного зрения. Такая задача возникает как при со-
держательной классификации изображений (например, в медицинской диагности-
ке), так и при контекстном поиске изображений в базах данных (при поиске
изображений в Интернет) [1].
Выделяют следующие основные технологии индексирования изображений в
электронных коллекциях [2, 3].
Индексирование текстовых описаний, ассоциированных с изображения-
ми [2].
Метод цветовых гистограмм [3]. Идея этого метода гистограмм для индек-
сирования и сравнения изображений сводится к следующему: все множество цветов
анализируемого изображения разбивается на набор непересекающихся, полно-
стью покрывающих его подмножеств. Для изображения формируется гистограм-
ма, отражающая долю каждого подмножества цветов в цветовой гамме изображе-
ния. Для сравнения гистограмм вводится понятие расстояния между ними.
Методы поиска по «цветовой планировке» [3, 4]. Их отличительная чер-
та — это предварительное разбиение изображений на блоки заданного размера
или в заданном количестве. Этот этап позволяет учитывать местоположение того
или иного цвета за счет сравнения между собой отдельных блоков, а не всего
изображения, что делает методы поиска по «цветовой планировке» более совер-
шенными по сравнению с предыдущей группой методов.
Методы, основанные на кластеризации изображений [4]. При поиске
изображений методами этой группы сравнение визуальных примитивов осу-
ществляется на уровне отдельных объектов (регионов, областей) изображений,
которые автоматически выделяются в процессе кластеризации на основании по-
добия значений визуальных характеристик внутри одной области.
Следует отметить, что удовлетворение наибольшего числа запросов возмож-
но при использовании методов, базирующихся на кластеризации, в виду следую-
щих недостатков методов других групп:
— невозможность выделения характеристик формы, текстуры, местополо-
жения объектов изображений без выделения самих объектов [5];
— «чувствительность» к масштабированию, повороту объектов внутри изоб-
ражений, в случае использования группы методов цветовых гистограмм, и к мас-
штабированию — группы методов поиска по «цветовой планировке» [4];
— зависимость результатов поиска от вариации цвета и освещенности изоб-
ражений [4].
Таким образом, эффективность поиска изображений в электронных коллек-
циях напрямую связана с эффективностью выделения регионов изображений.
Согласно [4, 6] существуют две основные группы методов выделения регио-
нов изображений: статистические методы кластеризации и методы выделения
границ объектов путем локализации на изображениях резких перепадов яркости
цвета. Однако методы второй группы более чувствительны к вариации освещен-
ности изображений [4]. Исходя из этого, цель данной публикации — разработка
Проблемы управления и информатики, 2006, № 6 101
нового подхода к использованию статистических методов кластеризации для вы-
деления регионов изображений. Особое внимание уделено разработке подхода к
статистической кластеризации пикселов изображений с учетом специфики объек-
тов кластеризации. Необходимо отметить, что данный подход ориентирован на
обработку цветовых характеристик изображений в пространстве с равнозначными
составляющими (каждая из составляющих имеет одинаковое влияние на резуль-
тирующий цвет). В качестве примера такого пространства можно привести про-
странство RGB.
1. Особенности формирования цветов пространства RGB. Пусть цвет
модели RGB определяется с помощью трех составляющих: R, G, B, причем
1,R0 1,G0 1B0 [7].
Возможны основные комбинации, задающие цвет в пространстве RGB.
1. Если числовые значения всех компонентов одинаковые (R = G = B), то ре-
зультатом является:
— белый цвет (R = G = B = 0);
— черный цвет (R = G = B = 1);
— серый цвет (если значение больше нуля и меньше единицы, то R = G = B,
0 R 1, 0 G 1, 0 B 1).
2. Если числовое значение только одного из анализируемых компонентов
больше нуля, то результатом является цвет, которому соответствует ненулевой
компонент, степень яркости этого цвета нелинейно зависит от значения компо-
нента (чем меньше его числовое значение, тем темнее цвет).
3. Если числовые значения двух из трех компонентов больше нуля, то воз-
можны следующие случаи (третий нулевой):
— значения двух компонентов одинаковые, получаем голубой, фиолетовый
или желтый цвет, степень яркости которого нелинейно зависит от величины
ненулевого значения;
— значения ненулевых компонентов неодинаковые. Пусть, например, это R
и G (R = 0,9, G = 0,5, B = 0,0). Для определения цвета необходимо найти минимум
среди ненулевых значений составляющих (для рассматриваемого случая — 0,5).
Далее рассматривается цвет, получаемый при смешивании ненулевых составля-
ющих с одинаковым числовым значением, которое соответствует найденному
минимуму (в общем случае это может быть голубой, фиолетовый или желтый;
в нашем примере — желтый), с доминирующим цветом, соответствующим мак-
симальному из значений ненулевых компонентов (в нашем примере — красному).
Таким образом, для наших числовых значений цветовых компонентов имеем
смешивание красного и зеленого цветов, результатом которого будет темно-
желтый, с дополнением доминирующего красного; т.е. оранжевый цвет.
4. Если числовые значения всех трех компонентов отличны от нуля:
— значения всех компонентов одинаковые — случай 1;
— значения двух из трех компонентов одинаковые, значение третьего ком-
понента меньше значения двух остальных: проводится условное смешивание цве-
тов всех компонентов со значениями, соответствующими минимуму из значений
компонентов, получаем серый цвет, степень яркости которого нелинейно зависит
от найденного минимума, с дополнением цвета смеси компонентов с максималь-
ным числовым значением (голубого, фиолетового или желтого);
— значения двух из трех компонентов одинаковые, значение третьего ком-
понента больше значения двух остальных: проводится условное смешивание цве-
тов одинаковых компонентов, получаем цвет смеси анализируемых цветов (голу-
102 ISSN 0572-2691
бой, фиолетовый или желтый), степень яркости которого нелинейно зависит от
числового значения соответствующих компонентов, с дополнением цвета, соот-
ветствующего компоненту с максимальным значением;
— значения всех трех компонентов различные: проводится условное смеши-
вание цветов всех компонентов со значениями, соответствующими минимуму из
значений компонентов, получаем серый цвет; проводится условное смешивание
компонентов, соответствующих неминимальному значению, с дополнением цве-
та, соответствующего компоненту с максимальным значением.
В основе предлагаемого метода решения задачи выделения регионов изобра-
жений лежит сравнение цветовых характеристик пикселов и объединение их с ви-
зуально подобными цветовыми компонентами в кластеры.
Исходя из приведенных выше сведений, можно выделить несколько необхо-
димых (но недостаточных) условий визуального подобия цветов:
1) у визуально подобных цветов не должен отличаться доминирующий цвет
(максимальные значения должны соответствовать одной и той же цветовой со-
ставляющей);
2) отношения между компонентами подобных цветов должны совпадать (т.е.
если для одного пиксела отношения значений, соответствующих цветовым ком-
понентам R G B, то и для другого (визуально подобного первому) должны вы-
полняться те же условия между цветовыми компонентами R G B);
3) чем меньше величина отличия сравниваемых пикселов по каждому из цве-
товых компонентов, тем визуально более подобными являются анализируемые
цвета.
В зависимости от конкретных изображений выполнение введенных условий
может быть более или менее строгим. Например, для изображений с объектами в
одной цветовой гамме условие может выполняться только для одной пары компо-
нентов (например, только R G).
2. Битовая маска взаимосвязей и рангов как способ учета особенностей
пространства RGB. Все необходимые условия визуального подобия, отмеченные
выше, можно учесть с помощью битовой маски взаимосвязей и рангов цветовых
компонентов центров кластеров. Младшие биты битовой маски характеризуют
отношения между цветовыми компонентами. При рассмотрении трехмерного цве-
тового пространства и введении трех типов связей (меньше, больше, равно) полу-
чаем девять младших бит. Старшие биты маски описывают уровни каждой из
трех характеристик (можно учитывать любое число уровней). Предлагается рас-
смотреть три основных уровня — низкий, средний и высокий. Для этого весь ин-
тервал изменения каждой из цветовых составляющих [x l, xh] делится на три рав-
ных промежутка — [x l, GL], (GL, GH], (GH, xh], соответствующие приведенным
уровням, причем числовые значения x l и xh не связаны с конкретным кластером
(или изображением), они определяются, исходя из свойств анализируемого цвето-
вого пространства. При введении трех уровней имеем девять старших бит маски.
Таким образом, при рассмотрении трех основных отношений между цвето-
выми компонентами центров кластеров и трех рангов цветовых компонентов
предлагаемая битовая маска взаимосвязей и рангов будет состоять из 18 бит.
В качестве цветового пространства выберем пространство цветов RGB, для
которого x l = 0 (0), xh = 1 (255).
В табл. 1, 2 приведены правила формирования старших и младших бит маски
для пространства цветов RGB.
Кроме того, предлагается «размывать» границы как отношений, так и уров-
ней, с помощью введения некоторой погрешности маски — eps.
Проблемы управления и информатики, 2006, № 6 103
Таблица 1
Компонент
Старшие биты
Предел изменения компонента Ранг Маска
B
[x l …GL] Низкий 0 0 0 0 0 0 0 0 1
(GL…GH] Средний 0 0 0 0 0 0 0 1 0
(GH… xh] Высокий 0 0 0 0 0 0 1 0 0
G
[xl …GL] Низкий 0 0 0 0 0 1 0 0 0
(GL…GH] Средний 0 0 0 0 1 0 0 0 0
(GH… xh] Высокий 0 0 0 1 0 0 0 0 0
R
[xl …GL] Низкий 0 0 1 0 0 0 0 0 0
(GL…GH] Средний 0 1 0 0 0 0 0 0 0
(GH… xh] Высокий 1 0 0 0 0 0 0 0 0
Таблица 2
Младшие биты
Компоненты Связь цветовых характеристик Маска
R и G
R G 0 0 0 0 0 0 0 0 1
R = G 0 0 0 0 0 0 0 1 0
R G 0 0 0 0 0 0 1 0 0
R и B
R B 0 0 0 0 0 1 0 0 0
R = B 0 0 0 0 1 0 0 0 0
R B 0 0 0 1 0 0 0 0 0
G и B
G B 0 0 1 0 0 0 0 0 0
G = B 0 1 0 0 0 0 0 0 0
G B 1 0 0 0 0 0 0 0 0
Приведем анализ рангов цветовых характеристик. Пусть ,11 xX = тогда:
— если eps),(GL1 +x то 1X имеет низкий уровень;
— если eps),(GH1 −x то 1X имеет высокий уровень;
— если eps)((GL1 −x или eps)),((GH1 +x то 1X имеет средний уровень.
Кроме того, необходимо так подбирать eps, чтобы было удовлетворено усло-
вие eps).(GHeps)(GL −+
Между компонентами 1X и 2X имеется связь, например «», в случае, если
удовлетворяется условие ;21 XX кроме того, предполагается, что если выпол-
няется условие eps),( 21 + XX то между 1X и 2X существует также связь «=».
Аналогичны рассуждения и для отношения «».
Формальное описание построения битовой маски взаимосвязей и рангов кла-
стера с центром {R, G, B} можно записать в следующем виде.
Определим рассматриваемую маску как многомерный вектор
},,,,,,{ RGRBGBBGR ssssssS = (1)
причем его компоненты могут принимать только два значения: 0 или 1.
Условно обозначим векторы рангов BGR ,, sss вектором ( B),,G,R( =s
который можно представить как
).,,( 321 = ssss (2)
Компоненты вектора s определяются по формулам:
−
−
=
];,eps[,1
);eps,[,0 l
1
hxGH
GHx
s
104 ISSN 0572-2691
+−
+−
=
];eps,eps[,1
];,eps()eps,[,0 l
2
GHGL
xGHGLx
s
h
a (3)
+
+
=
].eps,[,1
];,eps(,0
l
3
GLx
xGL
s
h
Условно обозначим векторы взаимосвязей RGRBGB sss ,, вектором ,s ко-
торый можно представить в виде
).,,( 321 = ssss (4)
Компоненты вектора s определяются по формулам
=
;,1
;,0
1s
−
−
=
eps;,1
eps;,0
2as
=
.,1
;,0
3s (5)
В табл. 3 приведены примеры построения битовых масок взаимосвязей и
рангов для конкретных числовых значений цветовых составляющих центров кла-
стеров. Предполагается, что значения компонентов R, G и B принадлежат интер-
валу [0, 1], eps = 0,1, GL = 0,33 и GH = 0,67.
Таким образом, пара компонентов может иметь одновременно две связи
(например, больше и равно), отдельный компонент тоже может иметь два уровня
(например, низкий и средний).
Таблица 3
Числовые значения
центров кластеров Маска ( по битам)
R G B
17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0,5 0,5 0,5 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
0,7 0,1 0,3 1 1 0 0 0 1 0 1 1 1 0 0 0 0 1 0 0 1
0,2 0,8 1 0 0 1 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
0,3 0,35 0,9 0 1 1 0 1 1 1 0 0 1 0 0 1 0 0 1 1 0
0,35 0,6 0,3 0 1 1 1 1 0 0 1 1 0 0 1 0 1 1 1 0 0
Разработанная маска применяется как для первоначального разделения пик-
селов по кластерам, так и в качестве критерия окончания кластеризации статисти-
ческого иерархического агломеративного алгоритма кластеризации [8]. Рассмат-
ривается агломеративная технология, согласно которой каждый пиксел изначаль-
но представляет собой отдельный кластер, для каждого проводится расчет
битовой маски взаимосвязей и рангов. Затем объекты с одинаковыми битовыми
масками образуют новые кластеры, последующее объединение которых осу-
ществляется по евклидовому расстоянию в цветовом пространстве между центра-
ми кластеров. Такие итерации повторяются до тех пор, пока выполняется условие
«сравнимости» анализируемых кластеров. В основе условия «сравнимости» —
подсчет числа эквивалентных ненулевых битов масок кластеров, претендующих
на объединение.
Выводы. Для построения систем индексации изображений на основе харак-
теристик отдельных кластеров (характеристики цвета, формы, текстуры) необхо-
димо использовать методы кластеризации пикселов изображений, учитывающих
специфику объектов кластеризации. Кроме того, иерархические методы и методы
группы разбиений не имеют эффективного критерия окончания кластеризации
объектов.
Проблемы управления и информатики, 2006, № 6 105
Построенная в данной работе маска взаимосвязей и рангов центров кластеров
позволяет учесть все приведенные выше ограничения статистических методов
кластеризации. В ее основе два типа битов — биты взаимосвязей (для учета типов
отношений больше, меньше, равно между числовыми значениями составляющих
цветового пространства) и биты рангов (для учета уровней числовых значений со-
ставляющих цветового пространства).
О.Л. Вовк
НОВИЙ ПІДХІД ДО ВИДІЛЕННЯ ВІЗУАЛЬНО
ПОДІБНИХ КОЛЬОРІВ ЗОБРАЖЕНЬ
Розглянуто бітову маску взаємозв’язків і рангів колірних компонентів пікселів
для виділення візуально подібних кольорів зображень. Запропонований підхід
орієнтований на обробку колірних характеристик зображень в просторі з рів-
нозначними складовими, для прикладу вибраний простір кольорів RGB.
O.L. Vovk
THE NEW APPROACH TO SELECTION
OF VISUALLY SIMILAR COLORS OF IMAGES
The bit mask of correlations and ranks of colors components of pixels for the selec-
tion of visually similar colors of images is considered. The offered approach is ori-
ented to processing of color descriptions of images in space with equivalent constitu-
ents, as an example the RGB colors space is chosen.
1. Chen C.H., Pau L.F., Wang P.S.P. The handbook of pattern recognition and computer visions
(2nd Edition). — New Jersey : World Sci. Publ. Co., 1998. — 1004 p.
2. Eakins J.P., Graham M.E. A report to the JISC technology applications programе. — Newcastle :
Institute for Image Data Research, University of Nothumbria at Newcastle, 1999. — 54 p.
3. Башков Е.А., Шозда Н.С. Поиск изображений в больших БД с использованием коэффици-
ента корреляции цветовых гистограмм // GraphiCon’2002. — Нижний Новгород, 2002. —
C. 458–460.
4. Wang J.Z., Li J., Wiederhold G. SIMPLicity: Semantics-sensitive integrated matching for picture
libraries // IEEE Trans. on Pattern Analysis and Machine Intell. — 2001. — 23, N 9. —
P. 947–963.
5. Karu K., Jain A.K., Bolle R.M. Is there any texture in the image? // Pattern Recogn. — 1996. —
29. — P. 1437–1446.
6. Байгарова Н.С., Бухштаб Ю.А., Евтеева Н.Н. Современная технология содержатель-
ного поиска в электронных коллекциях изображений. — М. : Ин-т прикладной матема-
тики им. М.В. Келдыша РАН. — http://www.artinfo.ru/eva/EVA2000M/eva-papers/200008/
Baigarova-R.htm.
7. Lansdown J. Visual perception. — Middlesex : Center for Electronic Arts, 1998. — 157 p.
8. Башков Е.А., Вовк О.Л. Оценка эффективности нового статистического иерархического аг-
ломеративного алгоритма кластеризации для распознавания регионов изображений // Си-
стемные исследования и информационные технологии. — 2005. — № 2. — С. 117–130.
Получено 11.09.2006
http://www.artinfo.ru/eva/EVA2000M/eva-papers/200008/%0bBaigarova-R.htm
http://www.artinfo.ru/eva/EVA2000M/eva-papers/200008/%0bBaigarova-R.htm
|