Preview

Информатика

Расширенный поиск

Сегментный поиск локальных экстремумов изображений на основе анализа яркостей смежных однородных областей

Полный текст:

Аннотация

Рассматривается задача поиска локальных экстремумов на полутоновых изображениях. Известные алгоритмы блочного поиска обеспечивают высокую скорость, но выделяют только строгие (однопиксельные) экстремумы, пропуская экстремальные области, образованные нестрогими экстремумами. Алгоритмы морфологического поиска обеспечивают выделение нестрогих экстремумов, но имеют высокую вычислительную сложность. Для выделения строгих и нестрогих локальных экстремумов изображений с низкой вычислительной сложностью предложены математическая модель и алгоритм сегментного поиска на основе анализа яркостей смежных однородных областей. Их отличиями от известных моделей и алгоритмов являются учет однородных областей, которые образованы нестрогими экстремумами и представляют собой локальные максимумы или минимумы по отношению к смежным областям; исключение итеративной обработки неэкстремальных пикселов; присвоение номеров локальным экстремумам в процессе их поиска. Данные отличия позволили повысить точность выделения локальных экстремумов в сравнении с блочным поиском и снизить вычислительную сложность в сравнении с морфологическим поиском.

Об авторах

В. Ю. Цветков
Белорусский государственный университет информатики
Беларусь
доктор технических наук, доцент, заведующий кафедрой инфокоммуникационных технологий


Ань Туан Нгуен
Белорусский государственный университет информатики
Вьетнам
аспирант кафедры инфокоммуникационных технологий


Список литературы

1. Lindeberg T. Scale selection properties of generalized scale-space interest point detectors. Journal of Mathematical Imaging and Vision, 2013, vol. 46, no. 2, pp. 177–210.

2. Lindeberg T. Image matching using generalized scale-space interest points. Journal of Mathematical Imaging and Vision, 2015, vol. 52, no. 1, pp. 3–36.

3. Lowe D. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 2004, vol. 60, pp. 91–110.

4. Bay H., Ess A., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features. Computer Vision and Image Understanding, 2008, vol. 110, no. 3, pp. 346–359.

5. Mikolajczyk K., Schmid C. Scale and affine invariant interest point detectors. International Journal of Computer Vision, 2004, vol. 60, pp. 63–86.

6. Rosenfeld A., Kak A. Digital Picture Processing. Academic Press, 1976, 457 p.

7. Kitchen L., Rosenfeld A. Gray-level corner detection. Pattern Recognition Letters, 1982, vol. 1, pp. 92–102.

8. Harris C., Stephens M. A combined corner and edge detector. Proceedings of the 4th Alvey Vision Conference, Manchester, 31 August – 2 September 1988. Manchester, 1988, pp. 147–151.

9. Bretzner L., Lindeberg T. Feature tracking with automatic selection of spatial scales. Computer Vision and Image Understanding, 1998, vol.71, no. 3, pp. 385–392.

10. Lindeberg T. Scale-space. Encyclopedia of Computer Science and Engineering, 2008, vol. 4, pp. 2495–2504.

11. Lindeberg T. Detecting salient blob-like image structures and their scales with a scale-space primal sketch: a method for focus-of-attention. International Journal of Computer Vision, 1993, vol. 11, no. 3, pp. 283–318.

12. Lindeberg T. Scale-Space Theory in Computer Vision. Springer, 1994, 423 p.

13. Matas J., Chum O., Urban M., Pajdla T. Robust wide baseline stereo from maximally stable extremal regions. Proceedings of the 13th British Machine Vision Conference, Bristol, UK, 2–5 September 2002. Bristol, 2002, pp. 384–396.

14. Haralick R. M., Shapiro L. G. Image segmentation techniques. Computing Vision, Graphics and Image Processing, 1985, vol. 29, no. 1, pp. 100–132.

15. Karu K., Jain A. K., Bolle R. M. Is there any texture in the image? Pattern Recognition, 1996, vol. 29, no. 9, pp. 1437–1446.

16. Van Herk M. A fast algorithm for local minimum and maximum filters on rectangular and octagonal kernels. Pattern Recognition Letters, 1992, vol. 13, pp. 517–521.

17. Gil J., Werman M. Computing 2-D min, median, and max. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, vol. 15, pp. 504–507.

18. Coltuc D., Bolon P. Fast computation of rank order statistics. Proceedings of the 10th European Signal Processing Conference, Tampere, Finland, 4–8 September 2000. Tampere, 2000, pp. 2425–2428.

19. Neubeck A., Van Gool L. Efficient non-maximum suppression. Proceedings of the 18th International Conference on Pattern Recognition, Hong Kong, 20–24 August 2006. Hong Kong, 2006, vol. 3, pp. 850–855.

20. Forstner W., Gulch E. A fast operator for detection and precise locations of distinct points, corners, and centres of circular features. Proceedings of Intercommission Conference on Fast Processing of Photogrammetric Data, Interlaken, Switzerland, 2–4 June 1987. Interlaken, 1987, pp. 281–305.

21. Pham T. Q. Non-maximum suppression using fewer than 2 comparisons per pixel. Proceedings of Advanced Concepts for Intelligent Vision Systems, Sydney, Australia, 13–16 December 2010. Sydney, 2010, vol. 12, pp. 438–451.

22. Bastys A., Kranauskas J., Masiulis R. Iris matching by local extremum points of multiscale taylor expansion. Proceedings of the 3rd International Conference "Advances in Biometrics". Springer-Verlag, Berlin, Heidelberg, 2009, pp. 1070–1079.

23. Soille P. Morphological Image Analysis: Principles and Applications. Springer, 2002, 391 p.

24. Gonzales R. C., Woods R. E. Digital image processing. Boston, Addison-Wesley, 2001, 823 p.


Для цитирования:


Цветков В.Ю., Нгуен А. Сегментный поиск локальных экстремумов изображений на основе анализа яркостей смежных однородных областей. Информатика. 2019;16(3):23-36.

For citation:


Tsviatkou V.Y., Nguyen A. Segment search for local extremums of images based on the analysis of brightness of adjacent homogeneous areas. Informatics. 2019;16(3):23-36. (In Russ.)

Просмотров: 43


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)