1109810384

do wersji jednoprzebiegowej PNN-VMF przy stosunkowo malej ilości szumu wejściowego jest często niewielka.

Próbą rozwinięcia algorytmów z prac [10] i [11] była praca magisterska [16], Jej autor podjął zagadnienie optymalizacji parametrów stosowanych przy filtracji obrazu, zagadnienie dobom funkcji odległości wektorów w przestrzeni barwnej, a także automatycznego dostrajania algorytmów poprzez uczenie sieci neuronowych.

2.2 Binaryzacja obrazu

Binaiyzacja obrazu (zwykle monochromatycznego) to jego konwersja do postaci czarno-białej (brak pośrednich odcieni). Najprostszą i nadal bardzo popularną metodą binaiyza-cji jest progowanie, tj. określenie pewnej wartości x, tzw. progu (ang. threshold) jasności wyznaczającej granicę pomiędzy obiektami a tłem obrazu. Po operacji progowania wszystkim punktom obrazu o jasności mniejszej niż z zostanie przypisana wartość 0, zaś punktom o jasności większej - wartość 1, dlatego progowanie można uznać za metodę częściowej segmentacji. Uogólnieniem binaryzacji poprzez progowanie jest użycie większej liczby progów (ang. multithresholding) w celu wyznaczenia większej liczby klas obiektów. Wartości progowe mogą być dobierane ręcznie lub automatycznie, np. na podstawie analizy histogramu obrazu źródłowego. Dla większości aplikacji skuteczność segmentacji poprzez progowanie jest wystarczająca, a szybkość przetwarzania nieporównanie większa w porównaniu do innych metod. Istotnym problemem jest jednak automatyczny wybór wartości progowej. Generalnie, istniejące algoiytmy można podzielić na te, które wyznaczają pojedynczą wartość progu dla całego obrazu, oraz te, w których próg jest wyznaczany niezależnie (lokalnie) dla każdego piksela. Nie istnieje oczywiście rozwiązanie uniwersalne dla wszystkich obrazów, dlatego dla konkretnych zagadnień metodę i jej parametry dobiera się doświadczalnie. Tym niemniej, nietrudno zauważyć, że metody binaryzacji globalnej nie mogą być skuteczne np. dla obrazów^ o znacznie nierównomiernym oświetleniu.

Jedną z najprostszych, choć zarazem efektywnych metod binaryzacji lokalnej jest algorytm Bemsena [1]. Każdy piksel obrazu rozpatrywany jest wraz z ustalonej wielkości oknem W, np. 15 x 15 pikseli. Jako wartość progową przyjmuje się średnią pomiędzy wartością minimalną /_min i maksymalną I_max w obrębie okna. Jeśli jednak kontrast w obrębie okna, rozumiany jako różnica maksymalną a minimalną, jest zbyt mały, wówczas wszystkie punkt}' należące do okna przypisuje się do tej samej klasy określonej przez wybrany eksperymentalnie próg globalny.

Szybkość działania algorytmu bardzo silnie zależy od wielkości okna W. Pierwszym naszym usprawnieniem [17] była szybka implementacja fazy wyznaczania maksimum i minimum w oknie, możliwa dzięki dużej części wspólnej okien sąsiadujących ze sobą pikseli. Przy masce o boku 79 dało to przyspieszenie ok. 10-krotne w stosunku do implementacji naiwnej.

Druga modyfikacja [17] miała na celu usunięcie podstawowej wady algorytmu oryginalnego: potrzeby dobrania wielkości okna do wielkości obiektów, które algorytm wykrywa. Zastosowanie zbyt dużego okna powoduje, że algorytm segmentacji pomija małe obiekty o niewielkim kontraście leżące w sąsiedztwie obiektów o większym kontraście. Zjawisko to prezentuje Rys. 1. Załóżmy, że na obrazie istnieją dw a obiekty O_x i 0₂, jasność tła wynosi 100, obiektu 0\ 60, zaś obiektu 0₂ 10. Dla punktu p(i,j) i skojarzonego z nim okna W mamy I_max=l00, /„,*„=10, a więc środek przedziału, czyli wartość progu, wynosi 55.