Разработка алгоритма сегментации изображений на основе интеллектуального анализа данных
|
ВВЕДЕНИЕ 5
1 АНАЛИЗ АЛГОРИТМОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ 7
2 РАЗРАБОТКА АЛГОРИТМА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ 18
2.1 Математический аппарат алгоритма k-means 18
2.2 Сегментация на основе кластерного анализа пикселей 22
2.2 Внедрение цветовой модели Lab в алгоритм 26
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 31
3.1 Описание разработанного программного обеспечения 31
3.2 Тестирование предложенного алгоритма сегментации 32
ЗАКЛЮЧЕНИЕ 36
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 38
1 АНАЛИЗ АЛГОРИТМОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ 7
2 РАЗРАБОТКА АЛГОРИТМА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ 18
2.1 Математический аппарат алгоритма k-means 18
2.2 Сегментация на основе кластерного анализа пикселей 22
2.2 Внедрение цветовой модели Lab в алгоритм 26
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 31
3.1 Описание разработанного программного обеспечения 31
3.2 Тестирование предложенного алгоритма сегментации 32
ЗАКЛЮЧЕНИЕ 36
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 38
Сегментация изображения - процесс поиска и формирования групп пикселей, которые формируются с учетом контекста исходного изображения (группирование пикселей «по смыслу»).
В подобласти “компьютерное зрение”, сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых супер пикселями).
Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать. Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.
Сегментация изображений является одним из этапов решений различных задач анализа изображений. Например, при анализе медицинских изображений сегментация используется выделении опухолей и других патологий, определение объемов тканей, при решении задач хирургии с использованием компьютера, изучение анатомической структуры. В других областях науки и техники сегментация может применяться при выделении объектов на спутниковых снимках, при распознавании лиц, в системах контроля и управления дорожным движением.
Вопросами разработки алгоритмов сегментации изображений в настоящее время занимаются такие ученые как Pawel Filipczuk, Marek Kowal, Andrzej Obuchowicz, Meiyang Zhang, Zili Zhang, Shi Qiu, Zhi-Kai Huang, Yong- Li Ma, Li Lu, Fan-Xing Rao, Ling-Ying Hou, Yann Leydier, Frank Le Bourgeois, Hubert Emptoz, Yumin Tian, Dan Wang, Risan Lin, Qichao Chen, Dong-jun Xin, Wei Wang, Yue Li и др [1-20].
Наиболее часто используемыми алгоритмами сегментации изображения являются: пороговая бинаризация изображения, сегментация по водоразделам, сегментации методом наводнения, сегментация с использованием алгоритма k-means.
Из этого ряда алгоритмов наиболее перспективным является сегментация изображения с использованием алгоритма k-means. Это связано с тем, что такая сегментация основана на машинном обучении. Машинное обучение позволяет значительно повысить степень автоматизации обработки изображения. В этом случае сегментации изображения рассматривается как задача кластеризации пикселей, а алгоритм k-means используется для автоматизированного подбора оптимальной кластерной структуры.
Данная бакалаврская работа направлена на модернизацию алгоритма сегментации изображений основанного на использовании k-means. При этом для кластеризации пикселей предложено учитывать не только их цвет, но и координаты их положения на изображении. Для улучшения результатов кластеризации предложено использовать вместо стандартной цветовой модели RGB - цветовую модель Lab.
Целью работы является улучшение результатов работы алгоритма сегментации изображения основанного на k-means за счет внедрения в математический аппарат учета расположения пикселей и цветовой модели Lab.
В ходе выполнения исследований была разработана программное обеспечение, реализующее алгоритм сегментации изображения с использованием предложенных подходов (учет расположения пикселей и применение цветовой модели Lab).
Предложенные подходы были апробированы на тестовых изображениях. Результаты тестирования подтвердили состоятельность предложенных решений.
Основные результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук»
В подобласти “компьютерное зрение”, сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых супер пикселями).
Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать. Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.
Сегментация изображений является одним из этапов решений различных задач анализа изображений. Например, при анализе медицинских изображений сегментация используется выделении опухолей и других патологий, определение объемов тканей, при решении задач хирургии с использованием компьютера, изучение анатомической структуры. В других областях науки и техники сегментация может применяться при выделении объектов на спутниковых снимках, при распознавании лиц, в системах контроля и управления дорожным движением.
Вопросами разработки алгоритмов сегментации изображений в настоящее время занимаются такие ученые как Pawel Filipczuk, Marek Kowal, Andrzej Obuchowicz, Meiyang Zhang, Zili Zhang, Shi Qiu, Zhi-Kai Huang, Yong- Li Ma, Li Lu, Fan-Xing Rao, Ling-Ying Hou, Yann Leydier, Frank Le Bourgeois, Hubert Emptoz, Yumin Tian, Dan Wang, Risan Lin, Qichao Chen, Dong-jun Xin, Wei Wang, Yue Li и др [1-20].
Наиболее часто используемыми алгоритмами сегментации изображения являются: пороговая бинаризация изображения, сегментация по водоразделам, сегментации методом наводнения, сегментация с использованием алгоритма k-means.
Из этого ряда алгоритмов наиболее перспективным является сегментация изображения с использованием алгоритма k-means. Это связано с тем, что такая сегментация основана на машинном обучении. Машинное обучение позволяет значительно повысить степень автоматизации обработки изображения. В этом случае сегментации изображения рассматривается как задача кластеризации пикселей, а алгоритм k-means используется для автоматизированного подбора оптимальной кластерной структуры.
Данная бакалаврская работа направлена на модернизацию алгоритма сегментации изображений основанного на использовании k-means. При этом для кластеризации пикселей предложено учитывать не только их цвет, но и координаты их положения на изображении. Для улучшения результатов кластеризации предложено использовать вместо стандартной цветовой модели RGB - цветовую модель Lab.
Целью работы является улучшение результатов работы алгоритма сегментации изображения основанного на k-means за счет внедрения в математический аппарат учета расположения пикселей и цветовой модели Lab.
В ходе выполнения исследований была разработана программное обеспечение, реализующее алгоритм сегментации изображения с использованием предложенных подходов (учет расположения пикселей и применение цветовой модели Lab).
Предложенные подходы были апробированы на тестовых изображениях. Результаты тестирования подтвердили состоятельность предложенных решений.
Основные результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук»
По результатам выполнения бакалаврской работы были сделаны следующие выводы:
1. Обзор современных научных статей показал, сегментация изображений является один из этапов решения задач анализа изображений, поэтому перспективной задачей является развитие алгоритмов сегментации с целью повышения точности ее работы.
2. Наиболее распространёнными алгоритмы сегментации изображений: пороговая сегментация, Watershed, FloodFill, сегментация на основе k-means.
3. В ходе выполнения бакалаврской работы разработан алгоритм сегментации изображений, основанный на алгоритме кластеризации k-means. При этом объектами кластеризации являются пиксели изображения. При кластеризации используются не только компоненты, отвечающие за цвет пикселей, но и их координаты по оси х и y. При этом в алгоритме можно указывать вес учета каждой из категории параметров с помощью коэффициентов Kp, Kc.Если коэффициенты равны, то значимости параметров цвета пикселя и его положения будут при сегментации учитываться как равнозначные. В предложенном алгоритме сегментации также предусмотрен перевод цветовой модели в формат Lab и игнорирование при кластеризации компонента L. Это объясняется тем, что компоненты a и b за базовый цвет пикселя, а компонент L за яркость (насыщенность) базового цвета. Игнорирование компонента L позволяет при сегментации рассматривать разные оттенки базового цвета, как один и тот же цвет.
5. Тестирование предложенного алгоритма сегментации изображения показывает, что он превосходит по точности работы свой ближайший аналог - алгоритм основанный на k-means, цветовой модели RGB и без учета расположения пикселей. Результаты сравнения представлены в 3 главе.
6. В ходе выполнения бакалаврской работы было разработано и протестировано программное обеспечение, реализующее предложенный алгоритм сегментации изображений.
В ходе выполнения бакалаврской работы было опубликована статья на тему сегментации изображения с использованием предложенного алгоритма.
Основные результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук»
1. Обзор современных научных статей показал, сегментация изображений является один из этапов решения задач анализа изображений, поэтому перспективной задачей является развитие алгоритмов сегментации с целью повышения точности ее работы.
2. Наиболее распространёнными алгоритмы сегментации изображений: пороговая сегментация, Watershed, FloodFill, сегментация на основе k-means.
3. В ходе выполнения бакалаврской работы разработан алгоритм сегментации изображений, основанный на алгоритме кластеризации k-means. При этом объектами кластеризации являются пиксели изображения. При кластеризации используются не только компоненты, отвечающие за цвет пикселей, но и их координаты по оси х и y. При этом в алгоритме можно указывать вес учета каждой из категории параметров с помощью коэффициентов Kp, Kc.Если коэффициенты равны, то значимости параметров цвета пикселя и его положения будут при сегментации учитываться как равнозначные. В предложенном алгоритме сегментации также предусмотрен перевод цветовой модели в формат Lab и игнорирование при кластеризации компонента L. Это объясняется тем, что компоненты a и b за базовый цвет пикселя, а компонент L за яркость (насыщенность) базового цвета. Игнорирование компонента L позволяет при сегментации рассматривать разные оттенки базового цвета, как один и тот же цвет.
5. Тестирование предложенного алгоритма сегментации изображения показывает, что он превосходит по точности работы свой ближайший аналог - алгоритм основанный на k-means, цветовой модели RGB и без учета расположения пикселей. Результаты сравнения представлены в 3 главе.
6. В ходе выполнения бакалаврской работы было разработано и протестировано программное обеспечение, реализующее предложенный алгоритм сегментации изображений.
В ходе выполнения бакалаврской работы было опубликована статья на тему сегментации изображения с использованием предложенного алгоритма.
Основные результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук»
Подобные работы
- РАЗРАБОТКА АЛГОРИТМА ВИЗУАЛЬНОГО РАСПОЗНАВАНИЯ СИМВОЛОВ АВТОМОБИЛЬНОГО РЕГИСТРАЦИОННОГО ЗНАКА
Магистерская диссертация, информационные системы. Язык работы: Русский. Цена: 4940 р. Год сдачи: 2016 - Математическое и программное обеспечение для индексации графических файлов с помощью метода сегментации KMCC и нечеткого классификатора текстур
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 5900 р. Год сдачи: 2016 - АЗРАБОТКА АЛГОРИТМОВ ОБНАРУЖЕНИЯ ПАТОЛОГИЙ ПО
РЕНТГЕНОВСКИМ ИЗОБРАЖЕНИЯМ ОРГАНОВ ГРУДНОЙ
ПОЛОСТИ
Дипломные работы, ВКР, информационные системы. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2019 - Разработка программного модуля распознавания объектов
Бакалаврская работа, программирование. Язык работы: Русский. Цена: 4990 р. Год сдачи: 2018 - Использование методов кластеризации для определения инфраструктур пользователя на основе GPS-координат
Бакалаврская работа, информатика. Язык работы: Русский. Цена: 4355 р. Год сдачи: 2017 - РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ГЕМАТОЛОГИЧЕСКОГО АНАЛИЗА НА ОСНОВЕ КРИВОЙ ПРАЙС-ДЖОНСА
Дипломные работы, ВКР, математика. Язык работы: Русский. Цена: 4225 р. Год сдачи: 2018 - Автоматическое распознавание машинописного текста на основе нейронной сети
Бакалаврская работа, информационные системы. Язык работы: Русский. Цена: 4345 р. Год сдачи: 2018 - ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД РАСПОЗНАВАНИЯ ТЕКСТОВОЙ ИНФОРМАЦИИ НА УПАКОВКАХ ТОВАРОВ
Магистерская диссертация, информационные системы. Язык работы: Русский. Цена: 4825 р. Год сдачи: 2018 - Методы детектирования дефектов нефтепроводов на основе данных внутритрубной диагностики
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 5500 р. Год сдачи: 2022