Согласно практике анализа графических сцен известно, что для большинства цифровых изображений реального мира линейное уменьшение их размера до определённого порога не приводит к потере анализируемой информации. Это становится возможным за счёт единого масштабирования всех информативных объектов изображения. Данный факт можно использовать на практике, для повышения скорости работы алгоритмов распознавания цифровых изображений медико-биологических препаратов. Уменьшение размеров изображения в N раз приводит к увеличению скорости обработки в N2 раз, что существенно повышает эффективность за счёт возможности использования более «затратных» с точки зрения времени, но более качественных (адекватных постановке задачи) алгоритмов.
Главная цель такого подхода - определить порог редукции цифрового изображения. Решение данной задачи становится возможным за счёт определения критерия количественной оценки потери информативности модифицированного изображения.
Вычисление среднеквадратической ошибки непосредственно между модифицированным и исходным изображением невозможно ввиду разной размерности данных. Значит, необходимо выделить параметры для совместной оценки цифровых изображений, не зависящие от их размеров. Как показала практика исследований, применение для оценки среднего и дисперсии по компоненте яркости двух изображений не даёт положительного результата. В работе предлагается следующий метод:
Оценка среднеквадратической ошибки расхождения гистограмм Гистограммы, построенные по каждой компоненте цветового пространства, позволяют оценить характеристики цифрового изображения с точки зрения формы распределения цвето-яркостных параметров [1]. При этом мощность массива гистограммы одинакова для любого изображения. Этим можно воспользоваться для оценки различия между исходным и масштабируемым изображением.
Предлагаемый метод основывается на сравнении «форм» двух масштабированных гистограмм по яркости. При этом в качестве критерия выступает среднеквадратическая ошибка отклонения «формы» гистограммы исходного изображения от гистограммы модифицированного.
где: N - размерность массива гистограммы, Hsi - массив гистограммы исходного изображения, Hdi - массив гистограммы модифицированного изображения, MAXs - максимальное значение элемента из массива гистограммы исходного изображения, MAXd- максимальное значение элемента из массива гистограммы модифицированного изображения.
|
а) |
б) |
в) |
Рис. 1. График эволюции для трёх разных изображений. Процент потери качества для контрольных точек: а) 9%, б) 10%, в) 10,8%.
На рис. 1 представлены графики эволюции критерия ΔG для трёх разных изображений. Совместный анализ качественного изменения информативности изображения и значения критерия показал, что существенная потеря первой наблюдается в момент резкого скачка между значениями критерия (точки: 7 - рисунок 1а, 6 - рисунок 1б, 7 - рисунок 1в). Таким образом, данный факт можно использовать для автоматического вычисления порога редукции исходного изображения. При этом фиксированные значения критериев переводятся в процентное отношение потери информации. Для этого исходное изображение в цикле модифицируется путем уменьшения размера на шаг q (в работе q=5%), на каждой итерации фиксируется значение критерия. Цикл останавливается, когда масштаб изображения сведётся до 0, т.е. изображение «выродится», и это будет соответствовать 100% потери информации. Исходя из этого, вычисляется потеря информации в процентах, зафиксированная на каждом шаге редукции. Далее согласно конкретной методике анализа выбирается допустимый процент потери качества, а следовательно, и порог.
Для анализа предложенных методов был разработан программный модуль. Было проанализировано более 500 цифровых изображений на предмет анализа изменения среднеквадратической ошибки по расхождению гистограмм исходного и уменьшенного изображения. Для всех анализируемых изображений была подтверждена состоятельность предлагаемого метода оценки потери информативности.
СПИСОК ЛИТЕРАТУРЫ:
- Т. Павлидис. Алгоритмы машинной графики и обработка изображений. - М.: Радио и связь, 1988.