Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции
Рассмотрены информационные возможности нового метода анализа слабоконтрастных изображений. Суть метода основана на разделении анализируемых компонент многопараметрового (мультиспектрального)
 изображения на ортогональные составляющие, синтеза комплексных изображений и визуализации фазопростр...
Збережено в:
| Опубліковано в: : | Штучний інтелект |
|---|---|
| Дата: | 2012 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2012
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/57166 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции / М.А. Алексеев, И.М. Удовик, К.А. Ахметшин // Штучний інтелект. — 2012. — № 3. — С. 111-117. — Бібліогр.: 7 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860171972592271360 |
|---|---|
| author | Алексеев, М.А. Удовик, И.М. Ахметшин, К.А. |
| author_facet | Алексеев, М.А. Удовик, И.М. Ахметшин, К.А. |
| citation_txt | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции / М.А. Алексеев, И.М. Удовик, К.А. Ахметшин // Штучний інтелект. — 2012. — № 3. — С. 111-117. — Бібліогр.: 7 назв. — рос. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | Рассмотрены информационные возможности нового метода анализа слабоконтрастных изображений. Суть метода основана на разделении анализируемых компонент многопараметрового (мультиспектрального)
изображения на ортогональные составляющие, синтеза комплексных изображений и визуализации фазопространственных характеристик такого отображения. Представлены результаты реальной проверки работоспособности метода.
Розглянуті інформаційні можливості нового методу аналізу низькоконтрастних зображень. Суть методу полягає у розподілі аналізованих компонент багатопараметрового зображення на фазові характеристики ортогональних складових, при цьому на складових більш високого порядку виділяються ділянки, непомітні на первинних зображеннях. Представлені результати реальної перевірки працездатності методу.
Information possibilities of a new method for low contrast image analysis are considered. The main idea of the method is baized on separation of analyzed image to orthogonal components. Hidden domains of analyzed image are separated on phase characteristics of orthogonalyzed images. The results of real testing of the method possibilities are presented.
|
| first_indexed | 2025-12-07T17:58:43Z |
| format | Article |
| fulltext |
«Штучний інтелект» 3’2012 111
3А
УДК 004.93
М.А. Алексеев, И.М. Удовик, К.А. Ахметшин
ГВУЗ «Национальный горный университет», г. Днепропетровск, Украина
Украина, 49005, г. Днепропетровск, пр. К. Маркса, 19, afs_matsuk@mail.ru
Сегментация слабоконтрастных
многопараметровых изображений
по фазовым характеристикам
метода ортогональной декомпозиции
M.A. Alexeyev, I.M. Ydovik, K.A. Akhmetshyn
National Mining University, Dnipropetrovsk, Ukraine
49600 Dnipropetrovsk, Karl Marx av., 19, afs_matsuk@mail.ru
Low Contrast Multiparameter Image Segmentation on Base of
Phase Characteristics of Orthogonal Decomposition Method
М.О. Алексєєв, І.М. Удовик, К.О. Ахметшин
ДВНЗ «Національний гірничий університет», м. Дніпропетровськ, Україна
Україна, 49005, м. Дніпропетровськ, пр. К. Маркса, 19
Сегментація низькоконтрастних багатопараметрових
зображень за фазовими характеристиками методу
ортогональної декомпозиції
Рассмотрены информационные возможности нового метода анализа слабоконтрастных изображений.
Суть метода основана на разделении анализируемых компонент многопараметрового (мультиспектрального)
изображения на ортогональные составляющие, синтеза комплексных изображений и визуализации
фазопространственных характеристик такого отображения. Представлены результаты реальной проверки
работоспособности метода.
Ключевые слова: обработка изображений, анализ изображений.
Information possibilities of a new method for low contrast image analysis are considered. The main idea of
the method is baized on separation of analyzed image to orthogonal components. Hidden domains of
analyzed image are separated on phase characteristics of orthogonalyzed images. The results of real testing of
the method possibilities are presented.
Key words: image processing, image analysis.
Розглянуті інформаційні можливості нового методу аналізу низькоконтрастних зображень. Суть методу
полягає у розподілі аналізованих компонент багатопараметрового зображення на фазові характеристики
ортогональних складових, при цьому на складових більш високого порядку виділяються ділянки,
непомітні на первинних зображеннях. Представлені результати реальної перевірки працездатності методу.
Ключові слова: обробка зображень, аналіз зображень.
Введение
Задача сегментации визуально неразличимых областей слабоконтрастных изоб-
ражений (как обычных, так и многопараметровых) имеет большое прикладное значение
mailto:afs_matsuk@mail.ru
mailto:afs_matsuk@mail.ru
Алексеев М.А., Удовик И.М., Ахметшин К.А.
«Искусственный интеллект» 3’2012112
3А
А
в таких областях, как медицинская диагностика, дистанционное зондирование земной
поверхности и анализ изображений геофизических полей. В работе [1] были рассмо-
трены информационные возможности метода ортогональной декомпозиции для реше-
ния подобного класса задач, однако учитывались лишь амплитудные (яркостные)
характеристики синтезированных изображений, а фазовая информация не учитывалась.
Целью работы является демонстрация информационных возможностей фазовых
характеристик метода ортогональной декомпозиции применительно к решению задач
сегментации визуально неразличимых участков слабоконтрастных многопараметро-
вых изображений.
Ортогонализирующие преобразования
многопараметровых изображений
Для определенности первоначально рассмотрим случай, связанный с анализом
многопараметрового (например, цветного) изображения { ),,( nyxI }, где n – число
параметров (диапазонов), соответствующих каждому пикселю с координатами ),( yx .
Если представить анализируемый ансамбль изображений {I} в виде прямоугольной
матрицы A размерностью nNM )( , где M и N – число пикселей вдоль осей х и у
соответственно. Ортогонализация матрицы А возможна на основе использования раз-
личных подходов [2]. В работе [1] нами были использованы два возможных подхода:
метод сингулярного разложения и метод независимых компонент.
В рамках первого подхода производится сингулярное разложение матрицы А
на основе выражения [3]:
TUWVA , (1)
где nUUUU ...21 – матрица сингулярных векторов размерностью ))(( nNM ,
формирующих ортонормированный базис пространства, натянутого на столбцы мат-
рицы A , и формирующая базис «собственных изображений» (СИ) [4] ),,( nyxG ; W –
диагональная матрица, элементы которой iw ),...,1( ni являются сингулярными
числами матрицы A . Они являются собственными значениями матрицы AAT , а V –
представляет собой ортогональную матрицу размерностью )( nn .
В работе [1] нами анализировались СИ ),,( nyxG , которые представляют собой
яркостные (т.е. амплитудные) характеристики синтезированного ансамбля ),,( nyxG .
Однако, учитывая ортонормированность ),,( nyxG , возможен синтез дополнительных
трех фазовых характеристик для исходного цветного изображения:
),(),(),( yxjGyxGyx lkk , lklk ;3,2;3,2,1 . (2)
Метод независимых компонент – это метод нахождения скрытых факторов или
компонент в многомерных данных, особенность которого в том, что он позволяет
выделять статистически независимые составляющие [5].
Основной принцип нахождения независимых компонент базируется на макси-
мизации негауссовости анализируемого статистического распределения на основе
использования отображения ),,( nyxFA , где плотность распределения вероятностей
)()...()()...,( 2121 nn FPFPFPxxxAP . В этом смысле метод независимых компонент
обеспечивает статистическую, а не алгебраическую ортогонализацию. Но, тем не
Сегментация слабоконтрастных многопараметровых изображений...
«Штучний інтелект» 3’2012 113
3А
менее, при его использовании так же возможен дополнительный синтез трех фазовых
характеристик:
),(),(),( yxjFyxFyx lkk , lklk ;3,2;3,2,1 . (3)
Однако, помимо метода сингулярного разложения, можно использовать еще
один алгебраический метод ортогонализации на основе использования разложения
Грама-Шмидта [6].
В качестве первого вектора выбирается 11 cv , где 1c – первый столбец мат-
рицы A , и затем каждый последующий вектор iv , ортогональный к векторам
11,..., ivv , рассчитывается по формуле:
1
11
1
1
11
1 ...
i
i
T
i
i
T
i
T
i
T
ii v
vv
cv
v
vv
cv
cv . (4)
Для любого номера i подпространство, порожденное исходными векторами
icc ,...,1 , совпадает с подпространством, порожденным векторами ivv ,...,1 . В резуль-
тате векторы iii vvq , которые можно развернуть в формате изображения, стано-
вятся ортонормированными, что также позволяет синтезировать три фазопростран-
ственные характеристики:
),(),(),( yxjQyxQyx lkk , lklk ;3,2;3,2,1 . (5)
Таким образом, возможны три варианта синтеза фазопространственных харак-
теристик при анализе слабоконтрастных многопараметровых изображений.
Экспериментальные исследования
Были исследованы три типа изображений: цветное космическое изображение;
трехпараметровое медицинское изображение и «трехполевое» геофизическое изоб-
ражение одного и того же участка местности.
1. Космическое изображение. Конвертированное к градациям серого исходное
цветное изображение представлено на рис. 1 а). Интерес в данном случае представляет
анализ акватории морской поверхности с точки зрения обнаружения потенциальных
залежей углеводородов.
Исходное изображение (рис. 1 а) представляет собой классический пример слабо-
контрастного изображения, поскольку перепады яркости на большинстве участков
не превосходят 2%. Синтез нового изображения на основе трех СИ метода сингуляр-
ного разложения (рис. 1 б) не решает задачи, и лишь использование фазо-простран-
ственных характеристик ),( yx (рис. 1 в) решает задачу сегментации. Сегментация
изображения на основе фазовых характеристик ),( yx метода независимых компо-
нент (рис. 1 г) уступает в степени детализации методу сингулярного разложения, да
и в программно-алгоритмическом аспекте этот метод представляется намного более
трудоемким, по сравнению с методом сингулярного разложения. Отдельного внимания
заслуживают фазопространственные характеристики ),( yx метода ортогонализации
Грамма-Шмидта (рис. 1 д), поскольку их сопоставление с фазовыми характеристиками
метода сингулярного разложения (рис. 1 в) показывает, что они дополняют друг друга.
Так, на рис. 1 д сегментируется нижний правый квадрат исходного изображения, а
на рис. 1 в – три других квадрата.
Алексеев М.А., Удовик И.М., Ахметшин К.А.
«Искусственный интеллект» 3’2012114
3А
А
Для сопоставимости результатов на рис. 1 е) представлен результат сегментации
на 12 кластеров исходного изображения известным методом нечетких С-средних [7].
Сопоставление рис. 1 е) с рис. 1 в) и рис. 1 д) показывает, что этот метод проигрывает
в степени детализации фазовым характеристикам метода ортогональной декомпози-
ции, хотя если рассматривать ситуацию в целом, то результаты близки к друг другу,
за одним исключением: затраты машинного времени на реализацию фазового метода
ортогональной декомпозиции, для изображений размером порядка (300 500) пикселей
примерно на два порядка меньше, по сравнению с итерационным методом нечетких
С-средних.
а б в
г д е
Рисунок 1 – Космическое изображение: а – оригинал; б – синтез из трех собственных
изображений метода сингулярного разложения; в – сегментация изображения на
основе трех фазопространственных характеристик ),( yx ;
г – сегментация изображения на основе трех фазопространственных характеристик
),( yx метода независимых компонент; д – сегментация на основе трех
фазопространственных характеристик ),( yx метода Грама-Шмидта; е – результат
сегментации методом нечетких С-средних (12 кластеров)
2. Медицинское радиологическое изображение. На рис. 2 представлено трех-
параметровое медицинское ядерно-магнитно-резонансное томографическое изобра-
жение опухоли головного мозга.
а б в
Рисунок 2 – Томограмма опухоли головного мозга: а – спин-решетчатая релаксация;
б – спин-спиновая релаксация; в – плотность протонов
Сегментация слабоконтрастных многопараметровых изображений...
«Штучний інтелект» 3’2012 115
3А
Характерной особенностью данной ситуации является тот факт, что сама по себе
опухоль хорошо видна, однако невидимой является область ее «скрытого влияния».
Здесь сразу следует отметить, что ни использование метода нечетких С-средних, ни
фазовых характеристик ),( yx и ),( yx не позволило решить поставленную задачу
и лишь синтез фазопространственных характеристик ),( yx метода сингулярного
разложения позволил решить эту задачу (рис. 3).
1G 2G 3G
1 2 3
Рисунок 3 –Характеристики ортогональной декомпозиции (рис. 2)
методом сингулярного разложения
Из рассмотрения рис. 3 следует, что область скрытого влияния выделилась на
фазопространственной характеристике ),(1 yx , тогда как на яркостных характери-
стиках iG область скрытого влияния не детектируется.
3. Геофизическое изображение. На рис. 4 представлены изображения трех раз-
личных физических полей одного и того же участка Земной поверхности.
а б в
Рисунок 4 – Изображения геофизических полей одного и того же участка
Земной поверхности: а – гравитационное поле; б – магнитное поле;
в – потенциальное электрическое поле
Алексеев М.А., Удовик И.М., Ахметшин К.А.
«Искусственный интеллект» 3’2012116
3А
А
Основной задачей исследований геофизических полей является поиск аномаль-
ных участков, с точки зрения обнаружения рудных залежей. При этом считается, что
комплексирование различных геофизических методов позволяет повысить достовер-
ность их обнаружения.
На рис. 5 представлены результаты применения метода сингулярного разложе-
ния для решения задачи сегментации таких потенциально интересных участков (все
изображения цветные, но конвертированы к изображениям с градациями серого).
а б в г
Рисунок 5 – Конвертация к градациям серого цветных изображений: а – рис. 4;
б – 3,2,1G метода сингулярного разложения; в – фазопространственные
характеристики 3,2,1 ; г – метод нечетких С-средних (12 кластеров)
Из рассмотрения рис. 5 следует, что, как и в предыдущих случаях, использование
фазопространственных характеристик метода сингулярного разложения позволило
выделить несколько потенциально интересных участков, тогда как амплитудные
(яркостные) характеристики сделать это не позволяют.
Сопоставление рис. 5 в) с рис. 5 г) показывает, что степень детализации в фазо-
вом методе ортогональной декомпозиции выше, по сравнению с методом нечетких
С-средних, при том же выигрыше в машинном времени и программно-алгоритмической
реализации.
Заключение
На основании проведенных исследований можно сделать следующие выводы.
1. Для решения задач сегментации слабоконтрастных многопараметровых изо-
бражений следует использовать фазопространственные характеристики метода син-
гулярного разложения анализируемых ансамблей.
2. Целесообразно сочетание ортогонализации слабоконтрастных многопараме-
тровых изображений на основе комбинации метода сингулярного разложения и метода
Грама-Шмидта.
3. Сегментация слабоконтрастных изображений по фазовым характеристикам
метода ортогональной декомпозиции примерно на два порядка является более быстро-
действующей, по сравнению с методом сегментации на основе алгоритма нечетких
С-средних, при несравненно более простой программной реализации.
Литература
1. Ахметшин А.М. Выделение скрытых областей слабоконтрастных изображений методом ортого-
нальной декомпозиции / А.М. Ахметшин, К.А. Ахметшин // Искусственный интеллект. – 2010. –
№ 4. – С. 133-139.
2. Ахмед Н. Ортогональные преобразования при обработке цифровых сигналов / Н. Ахмед, К.Р. Рао ;
[пер. с англ. Т.Э. Кренкеля] ; под ред. И.Б. Фоменко. – М. : Связь, 1980. – 248 с.
Сегментация слабоконтрастных многопараметровых изображений...
«Штучний інтелект» 3’2012 117
3А
3. Беклемишев Д.В. Дополнительные главы линейной алгебры / Беклемишев Д.В. – М. : Наука, 1983. –
455 с.
4. Форсайт Д. Компьютерное зрение: современный подход / Д. Форсайт, Ж. Понс ; [пер. с англ.
А.В. Назаренко, И. Ю. Дорошенко]. – М. ;СПб. ; К : Вильямс, 2004. – 926 с.
5. Hyvarinen A. Independent Component Analysis / Hyvarinen A., Karhunen J., Oja E. – N.Y. : John Wiley
& Sons Inc., 2001. – 354 p.
6. Стренг Г. Линейная алгебра и ее применения / Стренг Г. ; [пер с англ. Ю.А. Кузнецова, Д.М. Фоге] ;
под ред. Г.И. Марчука. – М. : Мир, 1980. – 423 с.
7. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH / Леоненков А. – СПб. :
БХВ-Петербург, 2003. – 719 с.
Literatura
1. Ahmetshin A.M. Iskusstvennyj intellect. 2010. №4. S. 133-139.
2. Ahmed N. Ortogonal’nye preobrazovanija pri obrabotke cifrovyh signalov. M.: Svjaz’. 1980. 248 s.
3. Beklemishev D.V. Dopolnitel’nye glavy linejnoj algebry. M.: Nauka. 1983. 455 s.
4. Forsajt D. Komp’juternoe zrenie: sovremennyj podhod. M.;– S.-P.; –K: Vil’jams. 2004. 926 s.
5. Hyvarinen A. Independent Component Analysis. N.Y.: John Wiley & Sons Inc. 2001. 354 p.
6. Streng G. Linejnaja algebra i ejo primenenija. M.: Mir, 1980. 423 s.
7. Leonenkov A. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH. S.P.: BHV–Peterburg. 2003. 719 s.
RESUME
M.A. Alexeyev, I.M. Ydovik, K.A. Akhmetshyn
Low Contrast Multiparameter Image Segmentation on Base Phase
Characteristics of Orthogonal Decomposition Method
In [1] considered the information capabilities of the method of orthogonal decomposition
to solve this class of problems, but took into account only the amplitude (brightness)
characteristics of the synthesized image, and phase information – is not taken into account.
The purpose of this paper is to demonstrate the characteristics of phase information
capabilities of the method of orthogonal decomposition with respect to the tasks of segmentation
visually indistinguishable low-contrast areas of multiparameter images.
To solve the problems of segmentation of the low-contrast images it needs to use
multiparameter phase-space characteristics of the method of singular value decomposition of
the analyzed bands.
It is advisable to mix the orthogonalization of low-contrast multiparameter images based
on a combination of singular value decomposition method and the Gram-Schmidt method.
Segmentation of low-contrast images by the phase characteristics of the method of
orthogonal decomposition by about two orders of magnitude is more responsive in comparison
with the method of segmentation based on the C-means fuzzy algorithm at much more easy
software implementation.
Статья поступила в редакцию 31.05.2012.
|
| id | nasplib_isofts_kiev_ua-123456789-57166 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T17:58:43Z |
| publishDate | 2012 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Алексеев, М.А. Удовик, И.М. Ахметшин, К.А. 2014-03-04T14:35:21Z 2014-03-04T14:35:21Z 2012 2012 Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции / М.А. Алексеев, И.М. Удовик, К.А. Ахметшин // Штучний інтелект. — 2012. — № 3. — С. 111-117. — Бібліогр.: 7 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/57166 004.93 Рассмотрены информационные возможности нового метода анализа слабоконтрастных изображений. Суть метода основана на разделении анализируемых компонент многопараметрового (мультиспектрального)
 изображения на ортогональные составляющие, синтеза комплексных изображений и визуализации фазопространственных характеристик такого отображения. Представлены результаты реальной проверки работоспособности метода. Розглянуті інформаційні можливості нового методу аналізу низькоконтрастних зображень. Суть методу полягає у розподілі аналізованих компонент багатопараметрового зображення на фазові характеристики ортогональних складових, при цьому на складових більш високого порядку виділяються ділянки, непомітні на первинних зображеннях. Представлені результати реальної перевірки працездатності методу. Information possibilities of a new method for low contrast image analysis are considered. The main idea of the method is baized on separation of analyzed image to orthogonal components. Hidden domains of analyzed image are separated on phase characteristics of orthogonalyzed images. The results of real testing of the method possibilities are presented. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Анализ и синтез коммуникационной информации Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции Сегментація низькоконтрастних багатопараметрових зображень за фазовими характеристиками методу ортогональної декомпозиції Low Contrast Multiparameter Image Segmentation on Base of Phase Characteristics of Orthogonal Decomposition Method Article published earlier |
| spellingShingle | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции Алексеев, М.А. Удовик, И.М. Ахметшин, К.А. Анализ и синтез коммуникационной информации |
| title | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| title_alt | Сегментація низькоконтрастних багатопараметрових зображень за фазовими характеристиками методу ортогональної декомпозиції Low Contrast Multiparameter Image Segmentation on Base of Phase Characteristics of Orthogonal Decomposition Method |
| title_full | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| title_fullStr | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| title_full_unstemmed | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| title_short | Сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| title_sort | сегментация слабоконтрастных многопараметровых изображений по фазовым характеристикам метода ортогональной декомпозиции |
| topic | Анализ и синтез коммуникационной информации |
| topic_facet | Анализ и синтез коммуникационной информации |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/57166 |
| work_keys_str_mv | AT alekseevma segmentaciâslabokontrastnyhmnogoparametrovyhizobraženiipofazovymharakteristikammetodaortogonalʹnoidekompozicii AT udovikim segmentaciâslabokontrastnyhmnogoparametrovyhizobraženiipofazovymharakteristikammetodaortogonalʹnoidekompozicii AT ahmetšinka segmentaciâslabokontrastnyhmnogoparametrovyhizobraženiipofazovymharakteristikammetodaortogonalʹnoidekompozicii AT alekseevma segmentacíânizʹkokontrastnihbagatoparametrovihzobraženʹzafazovimiharakteristikamimetoduortogonalʹnoídekompozicíí AT udovikim segmentacíânizʹkokontrastnihbagatoparametrovihzobraženʹzafazovimiharakteristikamimetoduortogonalʹnoídekompozicíí AT ahmetšinka segmentacíânizʹkokontrastnihbagatoparametrovihzobraženʹzafazovimiharakteristikamimetoduortogonalʹnoídekompozicíí AT alekseevma lowcontrastmultiparameterimagesegmentationonbaseofphasecharacteristicsoforthogonaldecompositionmethod AT udovikim lowcontrastmultiparameterimagesegmentationonbaseofphasecharacteristicsoforthogonaldecompositionmethod AT ahmetšinka lowcontrastmultiparameterimagesegmentationonbaseofphasecharacteristicsoforthogonaldecompositionmethod |