Обзор методов цифровой обработки изображений

Все основное множество методов, которые решают данные задачи, делится на методы обработки в частотной и пространственной областях. Для обработки изображений в пространственной области наибольшее распространение получили методы:

• · Ранговые алгоритмы
• · Разностные методы
• · Гистограммные методы
• · Метод локальных контрастов
• · Координатный метод анализа изображения
• · Спектральный метод анализа изображения.

К преимуществам методов обработки изображений в пространственной области относится возможность быстрой обработки в масштабе реального времени, а к недостаткам — ограниченность функциональных возможностей и недостаточная эффективность. При рассмотрении методов обработки изображений всегда остро стоит вопрос выбора критериев оценки качества их преобразования. Хотя способы обработки изображений в частотной области и достаточно развиты, но требуют значительных вычислительных затрат и для решения практических задач применяются реже.

Ранговые алгоритмы

Существующие методы цифровой обработки изображений с позиций использования вычислительных средств можно разделить на две категории — структурированные и неструктурированные методы.

Структурированные методы — такие, которые построены на использовании крупных вычислительных (программных) блоков, оперирующих векторами отсчетов, а не отдельными отсчетами изображений. Cреда MATLAB позволяет реализовывать методы обработки изображений, оперирующие не только с векторами, но и с массивами отсчетов.

Неструктурированные методыте, которые нельзя представить более крупными стандартными блоками, чем обычные для существующих цифровых вычислительных машин арифметико-логические операции над отдельными отсчетами сигналов. Неструктурированные методы, как правило, возникают на начальной стадии поиска решения содержательных задач обработки изображений и по мере нахождения решения перерастают в структурированные.

Рассмотрим класс структурированных нелинейных алгоритмов, которые осуществляют преобразование вида:

(1.3).

где — нелинейная функция, которая определяется некоторым подмножеством рангов и (или) порядковых статистик выборки, образованной отсчетами сигнала из некоторой окрестности данного элемента, в последовательности упорядоченных отсчетов сигнала. Поэтому класс алгоритмов называется ранговыми алгоритмами.

Преимуществом ранговых алгоритмов является их отличие от методов линейной фильтрации, они лишены такого характерного недостатка как пространственная инерционность, которая заключается в том, что при использовании линейных фильтров влияние отдельных деталей изображения проявляется на результирующем изображении на расстоянии порядка размеров апертуры фильтра. Это заметно в частности в размывании границ деталей при сглаживании изображений, в искажении формы деталей при их выделении из фона и т. п.

На первый взгляд может показаться, что вследствие переупорядочивания данных в вариационный ряд ранговые алгоритмы не используют пространственных связей между элементами изображений, и это является принципиальным недостатком. Действительно, ранговые алгоритмы инвариантны к пространственным связям и даже к размерности сигнала. Однако, как ни удивительно, это свойство является не недостатком, а преимуществом ранговых алгоритмов, еще одной стороной их адаптивного характера.

Пространственные связи между элементами изображения, определяемые, например, принадлежностью их к одной детали, проявляют себя в вариационном ряду через параметры условной гистограммы распределения значений сигнала в окрестности данного элемента.

Ранговые алгоритмы могут использоваться во всех процедурах обработки изображений — стандартизации, сглаживания, усиления детальности, выделения объектов из фоновой части, выделения границ, определения статистических характеристик и т. д.

Ранговые алгоритмы локально-адаптивны по своей сути, поскольку их параметры являются функциями локальной характеристики изображений — локальной гистограммы. Термин «ранговые алгоритмы» в обработке изображений появился относительно недавно, когда множество алгоритмов, которые фактически относятся к классу ранговых, были уже достаточно известны. Для фильтрации импульсных помех и сглаживания изображений давно используется предложенный Тьюки алгоритм медианной фильтрации. Известны также алгоритмы экстремальной фильтрации, которые используют значения минимума и максимума в окрестности. Все эти алгоритмы можно рассматривать как частные случаи широкого класса ранговых алгоритмов.

Методы ранговых преобразований позволяют осуществить нелинейное усиление высокочастотной составляющей изображения. Это приводит к повышению детальности изображений, однако сопровождается уменьшением контрастности тонкоструктурных объектов. Возможным вариантом устранения этого недостатка является использование взвешенных ранговых преобразований.

Кроме применений для сглаживания, усиления детальности, выделения деталей изображений и границ деталей, ранговые алгоритмы можно употреблять для решения многих других задач обработки изображений, в частности, для диагностики статистических характеристик искажений видеосигнала, стандартизации изображений, определения статистических характеристик видеосигнала и измерения текстурных признаков.

Одним из наиболее простых примеров ранговой обработки изображений является медианная фильтрация. Преимуществом данного алгоритма является простота его реализации. К недостаткам же относится то, что сглаживание изображений с помощью медианной фильтрации приводит к устранению границ деталей изображения [3].