Проектирование процесса преобразования черно-белых растровых изображений в цветные

МИНИСТЕРСТВО ОБРАЗОВАНИЯ  И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное  бюджетное образовательное учреждение высшего профессионального  образования «Ижевский государственный  технический университет имени  М.Т. Калашникова» Кафедра «АСОИУ»
ПОЯСНИТЕЛЬНАЯ ЗАПИСКА к курсовой работе по курсу: «Модели и методы информационно управляющих систем» на тему: «Проектирование процесса преобразования черно-белых растровых изображений в цветные»
Выполнил: студент гр.6-78-6	Э.В.Королев
Принял: преподаватель кафедры АСОИУ	Н.С. Исупов
Ижевск 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 Описание функционирования  используемого процесса преобразования черно-белых растровых изображений в цветные

1.1 Функциональная модель используемого процесса преобразования

1.2 Анализ функционирования процесса преобразования

3. Проблемы и возможные методы решения данной задачи

2 Обзор существующих методов преобразования растровых изображений

2.1 Пороговая сегментация

2.2 Сегментация, основанная  на областях

2.3 Сегментация на основании  морфологического водораздела

2.4 Сегментация с использованием  оператора Собеля

2.5 Выводы по обзору  существующих методов преобразования  растровых изображений.

3 Требования к проектируемой  системе преобразования черно-белых  растровых изображений в цветные

3.1 Требования к системе  в целом

3.2 Требования к задачам,  выполняемым системой

3.3 Требования к видам  обеспечения

3.3.1 Требования к математическому  обеспечению

3.3.2 Требования к информационному  обеспечению

3.3.3 Требования к лингвистическому  обеспечению

3.3.4 Требования к программному  обеспечению

3.3.5 Требования к техническому  обеспечению

3.3.6 Требования к организационному  обеспечению

4 Архитектура системы  преобразования черно-белых растровых  изображений в цветные

5 Математическое обеспечение  системы преобразования черно-белых  растровых изображений в цветные

5.1 Описание алгоритма  преобразования черно-белых растровых  изображений в цветные с использованием  оператора Собеля и последующей заливкой

5.2 Математическая модель  алгоритма преобразования черно-белых  растровых изображений в цветные  с использованием оператора Собеля и последующей заливкой

6 Информационное обеспечение  системы преобразования черно-белых  растровых изображений в цветные

7 Тестирование программы  преобразования черно-белых растровых  изображений в цветные

8 Описание функционирования  системы преобразования черно-белых  растровых изображений в цветные

8.1 Роли пользователей

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А: Исходный текст программы

ПРИЛОЖЕНИЕ Б: Руководство  пользователя 

ВВЕДЕНИЕ

Интерес к преобразованию черно-белых изображений в цветные  у людей возник уже давно. Еще  в XX веке люди пользовались «черно-белой» аппаратурой, с помощью которой можно было делать фотографии и видеофильмы. С развитием технологий стали появляться цветные варианты фото и видео съемки. По началу, все это было не привычно и даже дико. В настоящее время молодое поколение с тем же успехом смотрит на черно-белые фотографии и видеофильмы.

За время XX века было сделано огромное количество фильмов и накопилось множество архивов с фото и видео съемкой. Для удобного просмотра на современном оборудовании необходимо весь этот материал переводить в цветной вариант. Как известно, полностью автоматического перевода черно-белых изображений в цветные пока еще не существует. Существуют программы, которые помогают сделать работу с переводом попроще, но все они все равно требуют вмешательства пользователя.

Программа, представленная в качестве курсовой работы, является подобной тем программам, с которыми вы возможно уже знакомы. Данная программа  ставит перед собой цель упростить  работу специалиста по переводу черно-белых  изображений в цветные, а также  дает исследовательский опыт по поиску оптимальных методов восстановления цветовых характеристик растровых  изображений. Очевидно, данный метод использованный в программе не является единственным, но является аналогом других методов ставящих перед собой задачу по обеспечению перевода черно-белых изображений в цветные. Все плюсы и минусы будут рассмотрены в курсовой работе. 

1 Описание функционирования  используемого процесса преобразования черно-белых растровых изображений в цветные

 

Существует множество  различных графических редакторов имеющих возможность преобразования черно-белых растровых изображений  в цветные. Каждая система использует свои методы работы над изображениями.

Большинство программ до сих  пор использует ручной метод преобразования черно-белых растровых изображений  в цветные.

Ниже будет рассмотрен процесс  преобразования изображений, используемый в данной курсовой работе.

1.1 Функциональная модель используемого процесса преобразования

Как уже говорилось, многие программы до сих пор используют ручной метод преобразования черно-белых  растровых изображений в цветные. В данном случае также используется ручной способ преобразования, который  представлен на контекстной диаграмме  IDEF0, рисунка 1.1.

Рисунок 1.1 – Контекстная  диаграмма IDEF0 

В данной диаграмме видно, что поступает на вход системы  и что в результате получается. Также видно, что у изображения имеются свои требования к преобразованию, которые редактор изображения должен соблюдать. Более подробное описание процесса представлено на рисунке 1.2.

Рисунок 1.2 – Декомпозиция IDEF0

На данной диаграмме видна  последовательность действий работы системы, в которой подробно описано каждое действие, как работа самой программы, так и пользователя.

1.2 Анализ функционирования процесса преобразования

Таким образом, исследуя систему  можно понять, что процесс преобразования черно-белых растровых изображений  в цветные полностью не автоматизирован. Некоторую часть работы пользователю необходимо проводить самому. Пользователь, проводивший преобразование изображения  также должен обладать некоторыми навыками и обладать опытом в работе с подобными  системами. Также, в случае если изображение  сложное и имеется множество  объектов на изображении, пользователь должен обладать терпением к длительности преобразования изображения. 

3. Проблемы и возможные методы решения данной задачи

Главной проблемой данной системы является ручной труд, в  которой принимают участие люди, занимающиеся данными преобразованиями. Так как уже говорилось, что  система полностью не автоматизирована, и лишь около 70% системы автоматизировано полностью, что говорит о том, каким сложным остается труд пользователей.

 

2 Обзор существующих методов преобразования растровых изображений

 

В данной главе будут рассмотрены  методы сегментации черно-белых  растровых изображений, так как именно сегментация используется в данном преобразовании

В компьютерном зрении, сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых суперпикселями). Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать. Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.

Результатом сегментации изображения является множество сегментов, которые вместе покрывают всё изображение, или  множество контуров, выделенных из изображения. Все пиксели в сегменте похожи по некоторой характеристике или вычисленному свойству, например по цвету, яркости или текстуре. Соседние сегменты значительно отличаются по этой характеристике.[1]

2.1 Пороговая сегментация   

  Пороговая сегментация нашла очень широкое применение в робототехнике. Это объясняется тем, что в этой сфере изображения исследуемых объектов, в своем большинстве, имеют достаточно однородную структуру и резко выделяются из фона.      

  Пусть показанная на рис. 2.2.1 гистограмма соответствует некоторому изображению f(x, у), содержащему светлые объекты на темном фоне, так что яркости пикселей объекта и фона сосредоточены вблизи двух преобладающих значений. Очевидный способ выделения объектов из окружающего фона состоит в выборе значения порога Т, разграничивающего моды распределения яркостей. Тогда любая точка (х, у), в которой f(х, у) > Т, называется точкой объекта, а в противном случае — точкой фона.

Рисунок 2.1.1 – Гистограмма  изображения     

 Если значение Т зависит только от f, т.е. одинаково для всех точек изображения, то такой порог называется глобальным. Если порог T зависит от пространственных координат х и у, то он называется локальным или динамическим.     

 Для автоматического  выбора значения порога Т может применяться следующий алгоритм:

1. Выбирается некоторая начальная оценка значения порога Т (например, средний уровень яркости изображения или полусумма минимального и максимального значений яркости).
2. Проводится сегментация изображения с помощью порога Т. В результате образуются две группы пикселей: G₁, состоящая из пикселей с яркостью больше Т, и G₂, состоящая из пикселей с яркостью меньше или равной Т.
3. Вычисляются значения h₁ и h₂ средних яркостей пикселей по областям G₁ и G₂ соответственно.
4. Вычисляется новое значение порога: T = 0.5 * (h₁ + h₂)
5. Повторяются шаги со 2-го по 4-й до тех пор, пока разница значений Т при соседних итерациях не окажется меньше значения наперед заданного параметра T₀.

 

      В случае, когда неравномерное  освещение или другие факторы  вызывают неудовлетворительные  результаты при сегментации с  глобальным порогом, используется  динамический (локальный) порог.  Один из возможных подходов  для ослабления влияния неравномерности  освещения состоит в разбиении  изображения на подобласти меньших  размеров, такие, что в пределах  каждой из них освещение остается  приблизительно равномерным. При  этом для каждой такой области  вычисляется свой локальный порог  на основе вышеприведенного алгоритма. 

2.2 Сегментация, основанная  на областях

В этом случае, сегментация  представляет собой операцию разбиения  конечного множества плоскости R, на которой определена функция исходного  изображения f(x,y), на n непустых связанных подмножеств R_i (i=[1,n]) в соответствии с некоторым логическим предикатом P, определяемом на множестве всех точек из R={R₁,R₂,…,R_k} и принимающим истинные значения, когда все пары точек из каждого подмножества R_i удовлетворяет некоторому критерию однородности (например, критерий однородности, основанный на оценке максимальной разности яркости отдельного пикселя и среднего значения яркости, вычисленного по соответствующей области):

• P(R_i) = TRUE, i = 1,... n       (11)
• P(R_i U R_j) = FALSE, i<>j       (12)

 

        Наращивание областей     

  Методы этой группы основаны на использовании локальных признаков изображения. Идея метода наращивания областей состоит в выборе стартовых точек и последующем анализе соседних с ними точек в соответствии с некоторым критерием однородности (например, яркость в некотором диапазоне). В последующем проанализированные точки зачисляются в ту или иную группу (количество стартовых точек должно быть равно количеству однородных областей на изображении).     

  Если изображения монохромные, анализ областей проводится с использованием дескрипторов, основанных на значениях яркости и пространственных характеристиках (таких как текстура или статистические моменты).     

  Однако использование при выращивании областей одних лишь дескрипторов может привести к ошибочным результатам, если это делается в отрыве от информации о смежности или связности областей. Например, представим себе случайную схему расположения пикселей, принимающих только три отличающихся значения яркости. Если строить «области», группируя вместе пиксели с одинаковой яркостью и не обращая внимания на их связность, то это приведет к сегментации, лишенной смысла в контексте изображения.        

Разбиение и  слияние областей     

  Описанная только что процедура выращивает области из множества начальных точек, играющих роль центров кристаллизации. Альтернативный подход состоит в том, чтобы провести первичное разбиение изображения на множество произвольных непересекающихся областей и в дальнейшем осуществлять слияние и/или разделение этих областей, стремясь выполнять условия, сформулированные в (11) и (12).     

  Пусть вся область изображения обозначена R, и выбран предикат Р. Один из подходов к сегментации R состоит в том, чтобы последовательно разбивать ее на все более и более мелкие квадратные области Rj, пока для каждой из них не будет выполняться условие P(Rj) = TRUE. Работа начинается со всей области изображения. Если P(R) = FALSE, изображение делится на четверти вертикальной и горизонтальной прямыми, проходящими через середину. Если для какой-то четверти предикат Р принимает значение FALSE, она аналогичным способом делится на более мелкие четверти, и так далее, см. рис.14: