При классификации объектов, а также в задачах распознавания часто требуется точное определение характеристик объектов изображения. Для этого необходимо точно выделять исходные объекты на изображении, что решается в задачах фильтрации изображений. Статья описывает применение многомасштабных методов обработки для выделения объектов на изображениях. Данные методы позволяют проводить анализ характеристик объектов на множестве уровней разложения, при смене которых свойства разных объектов могут проявляться более отчётливо. Предлагаются методы фильтрации особенностей на основе сепарабельного и непрерывного вейвлет-преобразований. Наряду с выделением особенностей объектов рассматривается задача определения связей между объектами и отнесения их к некоторой группе. Даны определения группы объектов, одиночного объекта и фильтрации групповых объектов. Показано, что в случае большого числа объектов на изображении фильтрация элементарных объектов может быть затруднена, и следует проводить анализ групп объектов. В заключение рассмотрены некоторые критерии отнесения элементарных объектов к группе.
In the classification or recognition often it is required to get a precise definition of the features of objects in the image. To do this, we need precisely select the original objects in the image, which can be solved using an image filtering. This article describes the use of multiscale processing techniques for selecting objects in the images. These methods allow to analyze the features of the objects at multiple levels of decomposition, when the properties of different objects may be calculated more clearly. The article presents the methods of filtering features based on separable and continuous wavelet transforms. Along with the selection of the features of objects the problem of determining relationships between objects and assigning them to a group is considered. Definitions of a group of objects, a single object and filtering group objects are given. It is shown that in case of a large number of objects in the image filtering elementary objects can be difficult, and object groups should be analyzed. Finally, we consider some of the criteria of assigning of the elementary objects to the group.
1. Добеши, И. Десять лекций по вейвлетам / И. Добеши. – М.–Ижевск: НИЦ «Регулярная и хаотическая динамика», 2004. – 464 с.
2. Жизняков, А.Л. Формирование и анализ наборов признаков многомасштабных последова-тельностей цифровых изображений / А.Л. Жизняков // Программные продукты и системы. – 2007. – № 4. – С. 24.
3. Жизняков, А.Л. Теоретические основы обработки многомасштабных последовательностей цифровых изображений: монография / А.Л. Жизняков, С.С. Садыков; Владим. гос. ун-т. – Владимир: Изд-во Владим. гос. ун-та, 2008. – 121 с.
4. Жизняков, А.Л., Гай, В.Е. Сегментация изображений на базе использования адаптивной локальной области / А.Л. Жизняков, В.Е.Гай // Вестник компьютерных и информационных технологий. – 2008. – № 1. – С. 16–21.
5. Жизняков А.Л., Привезенцев Д.Г., Фомин А.А. Классификация изображений на основе локальных признаков самоподобия // Ползуновский вестник. – 2011. – № 3. – Ч. 1. – С. 12-14.
6. Жизняков А.Л., Фомин А.А. Многомасштабный подход к фильтрации контуров полутоновых изображений // Вестник компьютерных и информационных технологий. – 2007. – № 9. – С. 19–24.
7. Малла, С. Вейвлеты в обработке сигналов / Пер. с англ. / С. Малла. – М.: Мир, 2005. – 671 с.
8. Прэтт У. Цифровая обработка изображений. В 2 кн. / Пер. с англ. – М.: Мир, 1982. – Кн. 1. – 312 с. Кн. 2. – 480 с.
9. Чуи, Ч. Введение в вейвлеты / Ч. Чуи. / Пер. Я. М. Жилейкина. – М.: Мир, 2001. – 412 с.
10. Tang, Y.Y. [et al.] Wavelet theory and its application to pattern recognition / Y.Y. Tang [et al.]. – Singapore : Regal press, 2000. – 359 p.