Модификация технологии расчета расстояния между парами смежных кластеров в многоуровневой пороговой обработке


DOI: 10.34759/trd-2021-118-13

Авторы

Ханыков И. Г.

Санкт-Петербургский государственный университет аэрокосмического приборостроения, ул. Большая Морская, 67, Санкт-Петербург, 190000, Россия

e-mail: igorioniak@mail.ru

Аннотация

Рассматривается технология реализации оригинального метода мультипороговой обработки. Приводится его идея, стратегия вычислений и расчетный пример. Выявляются недостатки оригинального метода — сложные расчетные формулы, требующие вспомогательных вычислений и отсутствие показателя, характеризующего качество очередного разбиения на кластеры. При сохранении оригинальной идеи и стратегии вычислений модификация метода мультипороговой обработки позволяет в два раза уменьшить количество сопутствующих операций по вычислению расстояний между парами смежных кластеров и оценить качество разбиений на кластеры. Устанавливается, что генерируемая модифицированным методом новая серия кусочно-постоянных разбиений является оптимальной. Приводимые расчетные примеры позволяют программисту реализовать как оригинальный, так и модифицированный вариант мультипороговой обработки с меньшими затратами времени на программирование.

Ключевые слова:

мультипороговая обработка, среднеквадратичное отклонение, кусочно-постоянное разбиение, полутоновые изображения, кластеры пикселей

Библиографический список

  1. Tajbakhsh N. et al. Embracing imperfect datasets: A review of deep learning solutions for medical image segmentation // Medical Image Analysis, 2020, pp. 101693. URL: https://arxiv.org/pdf/1908.10454.pdf

  2. Stathopoulou E.K., Remondino F. Semantic photogrammetry: boosting image-based 3D reconstruction with semantic labeling // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019, vol. 42, no. 2, pp. 1 — 7. DOI:10.5194/isprs-archives-XLII-2-W9-685-2019

  3. Hossain M.D., Chen D. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective // Journal of Photogrammetry and Remote Sensing, 2019, no. 150, pp. 115 — 134. DOI: 10.1016/j.isprsjprs.2019.02.009

  4. Khanykov I.G., Tolstoj I.M., Levonevskiy D.K. The classification of the image segmentation algorithms // International Journal of Intelligent Unmanned Systems, 2020, vol. 8, no. 2, pp. 115 — 127. DOI: 10.1108/IJIUS-07-2019-0031

  5. Agus Zaina Arifin, Akira Asosno. Image segmentation by histogram thresholding using hierarchical cluster analysis // Pattern Recognition Letters, 2006, no. 27 (13), pp. 1515 — 1521. DOI: 10.1016/j.patrec.2006.02.022

  6. Sobel I., Feldman G. A 3×3 Isotropic Gradient Operator for Image Processing, A Talk at the Stanford Artificial Project, 1968, pp. 271 — 272.

  7. Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация оператора Собела с использованием SIMD-расширений процессоров семейства x86 // Телекоммуникации. 2006. № 6. С. 12 — 16.

  8. Scharr H. Optimale Operatoren in der Digitalen Bildverarbeitung: Dissertation. 2000, URL: https://doi.org/10.11588/heidok.00000962

  9. Jähne B., Scharr H., Körkel S. Principles of filter design. In Handbook of Computer Vision and Applications, Academic Press, 1999.

  10. Roberts L. Machine Perception of 3-D Solids, Optical and Electro-optical Information Processing, MIT Press, New York, 1965.

  11. Samuel J. Dwyer III. A personalized view of the history of PACS in the USA // In: Proceedings of the SPIE, Medical Imaging 2000: PACS Design and Evaluation: Engineering and Clinical Issues, 2000. URL: https://doi.org/10.1117/12.386388

  12. Canny J. A computational approach to edge detection // IEEE Transactions on pattern analysis and machine intelligence, 1986, no. 6, pp. 679 — 698. DOI: 10.1109/TPAMI.1986.4767851

  13. Nixon M.S., Aguado A.S. Feature Extraction and Image Processing, Academic Press, 2008, 424 p.

  14. Маслов А.М., Сергеев В.В. Идентификация линейной искажающей системы с использованием ранговой обработки сигналов // Компьютерная оптика. 1990. № 6. С. 97 — 102.

  15. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man and Cybernetics, 1979, vol. 9, no. 1, pp. 62 — 66.

  16. Ping-Sung Liao, Tse-Sheng Chen, Pau-Choo Chung. A Fast Algorithm for Multilevel Thresholding // Journal of Information Science and Engineering, 2001, vol. 17 (5), pp. 713 — 727.

  17. Трусфус М.В., Абдуллин И.Н. Алгоритм обнаружения маркерных изображений для вертикальной посадки беспилотного летательного аппарата // Труды МАИ. 2021. № 116. URL: http://trudymai.ru/published.php?ID=121099. DOI:10.34759/TRD-2021-116-13.

  18. Корнеев М.А., Максимов А.Н., Максимов Н.А. Методы выделения точек привязки для визуальной навигации беспилотных летательных аппаратов // Труды МАИ. 2012. № 58. URL: http://trudymai.ru/published.php?ID=33061

  19. Лунев Е.М., Павлова Н.В. Программно-алгоритмическое обеспечение для определения навигационных параметров беспилотного летательного аппарата на базе фотоизображения // Вестник Московского авиационного института. 2009. Т. 16. № 6. С. 111 — 119.

  20. Бурага А.В., Костюков В.М. Сравнительный анализ пассивных методов измерения дальности для малого беспилотного летательного аппарата // Труды МАИ. 2012. № 53. URL: http://trudymai.ru/published.php?ID=29624

  21. Khanykov I.G., Kharinov M.V., Patel C. Image Segmentation Improvement by Reversible Segment Merging // International Conference on Soft Computing and its Engineering Applications (icSoftComp), 2017, Changa, Anand, India. DOI:10.1109/ICSOFTCOMP.2017.8280096

  22. Харинов М.В., Ханыков И.Г. Оптимизация кусочно-постоянного приближения сегментированного изображения // Труды СПИИРАН. 2015. Т. 3. № 40. С. 183 — 202.


    Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2022

Вход