Методы, основанные на операторах выделения краев

При данном подходе задача сегментации формулируется как задача поиска границ регионов. Методы поиска границ хорошо разработаны для полутоновых изображений. Полутоновое изображение рассматривается как функция двух переменных (x и y), и предполагается, что границы регионов соответствуют максимумам градиента этой функции. Для их поиска применяется аппарат дифференциальной геометрии (в простейшем случае это фильтры Roberts, Kirsch, Prewitt, Sobel).

Для повышения устойчивости к шуму, перед применением фильтрации изображение обычно размывают. Благодаря коммутативности оператора Лапласа и Гауссова фильтра, можно одновременно осуществлять размытие и поиск границ. В методе Canny комбинируются результаты поиска границ при разной степени размытия.

Рис. 2. Результат применения фильтра Canny

Другой подход основан на применении steerable filters [19], которые осуществляют дифференцирование по направлению. Для таких фильтров можно выбрать базис, через который выражается дифференцирование по любому направлению. Для поиска границ комбинируются результаты применения базисных фильтров.

Исходное изображение	1ый порядок
3ий порядок	5ый порядок

Рис. 3. Результат работы steerable filters с разными параметрами

В [22] предлагается комбинированный подход, использующий steerable filters и cellular neural networks.

Ясно, что выбор критерия для граничных точек определяет качество работы краевых методов. В [33] для выбора оптимального критерия граничных точек применяется машинное обучение.

Основной проблемой методов поиска границ является неустойчивость к шуму. Кроме того, поскольку понятие границы свое для каждой задачи, каждый раз при применении методов поиска границ требуется дополнительно выбирать метод доработки результатов фильтрации (edge linking, edge relaxation).

Дата добавления: 2014-01-04