Введение
Постановка задачи
Обзор литературы
Глава 1. Теоретические основы
1.1. Построение представления
1.2. Регуляризация представления
1.3. Детектор края
Глава 2. Реализация алгоритма
2.1. Общее описание
2.2. Генерация представления изображения с помощью вейвлетов Габора
2.3. Регуляризация представления
2.4. Детектор края
Глава 3. Результаты выполнения алгоритма
Выводы
Заключение
Список литературы
Приложение
Современное развитие вычислительной техники, сопровождающееся непрерывным ростом производительности, доступной по потребительским ценам, неуклонно ведет к ускорению процессов консолидации мирового информационного пространства. В рамках этих процессов неизбежно возникают задачи извлечения информации, из источников, традиционно считавшихся непригодными для автоматизированного анализа – изображения, видео- и аудио записи. В рамках задач, связанных с анализом изображений и видеозаписей естественным образом возникают задачи, носящих общее название задач текстурной сегментации.
Задача текстурной сегментации, в общей постановке, это задача разбиения заданного изображения, на участки, однородные по структуре. На данный момент различают два общих подхода к решению этой задачи: структурный и статистический. Структурный подход применяется к сегментированию изображений, сгенерированных искусственно. В нем, текстура рассматривается как шаблон, организованный из повторяющихся текселей – элементов текстуры. Статистический подход применятся к изображениям, имеющим природное происхождение – он менее точен, в нем применяются численные оценки расположения интенсивностей пикселов на участке изображения.
На сегодняшний день, можно различить две группы методов, активно развивающихся, и относящихся к методам группы статистического подхода. Это методы основанные на нейросетевых алгоритмах – группа методов Глубокого Обучения и методы, основанные на различных вейвлет-разложениях изображения. Среди методов, основанных на вейвлет-преобразованиях, особо перспективными считаются методы, основанные на применении вейвлетов Габора. Вейвлеты Габора, обладают двумя замечательными свойствами –имеют наименьшую неопределенность при локализации свойств сигнала в нескольких доменах (областях), а также, ведут себя как некоторые нейронные структуры зрительной коры.
Алгоритмы, основанные на вейвлет-преобразованиях, использующих фильтры Габора, хорошо показывают себя в задачах, связанных с распознаванием лиц (и лицевых выражений), отпечатков пальцев, анализе медицинских изображений. Также в последнее время развиваются методы, связанные с применением вейвлет-преобразования Габора для анализа спутниковых снимков, и изображений аэрофотосъемки. Однако их применение на более широких классах изображений сопряжено с вычислительными трудностями – для вейвлет преобразований Габора в общем случае нельзя задать параметры, которые приведут к наиболее адекватному разложению.
В данной работе была рассмотрена одна из возможностей синтеза алгоритма текстурной сегментации (нахождения границы) с использованием вейвлетов Габора. На сегодняшний день, вейвлеты Габора переживают бурное развитие – число публикующихся работ, в которых они используются, растет. Возникают новые применения, решаются новые и существующие задачи.
Тем не менее, как стало ясно в процессе выполнения данной работы, вейвлет-разложение Габора, помимо преимуществ, несет в себе также глубокие теоретические вопросы, ответы на которые являются критическими, для успешного их применения. Безусловно, самый главный из них – как выбрать правильное представление изображения. В данной работе был взят набор параметров, исходя из рекомендаций, данных в работе [6]. Получившееся представление дало приемлемый результат сегментации, однако вопрос о том, является ли это представление наилучшим, остается открытым.
