Проектирование процесса преобразования черно-белых растровых изображений в цветные

R1	R2
R3	R41	R42
	R43	R44

Рисунок 2.2.1 - Разбиение изображения на области     

  Если использовать только операцию разделения, то в окончательном разбиении изображения могут присутствовать соседние области с одинаковыми свойствами. Этот недостаток можно устранить, применяя наряду с разделением также операцию слияния. Для соблюдения ограничений требуется, чтобы слиянию подвергались только соседние области, пиксели которых в совокупности удовлетворяют предикату Р. Иначе говоря, две соседних области Rj и Rk сливаются только в том случае, если P(Rj U Rk) = TRUE.     

  Все вышеизложенное можно суммировать в виде процедуры, на каждом шаге которой выполняются следующие действия:

1. Любая область Ri, для которой P(Ri) = FALSE, разделяется на четыре непересекающиеся четверти.
2. Любые две соседние области Rj и Rk, для которых P(Rj U Rk) = TRUE, объединяются в одну.
3. Если невозможно выполнить ни одной операции слияния или разделения, то процедура заканчивается. 
   

2.3 Сегментация на основании  морфологического водораздела

Понятие водораздела основано на представлении изображения как  трехмерной поверхности, заданной двумя  пространственными координатами и  уровнем яркости в качестве высоты поверхности. В такой «топографической»  интерпретации рассматриваются  точки трех видов: (а) точки локального минимума; (б) точки, с которых вода скатывается в один локальный  минимум; и (в) точки, с которых вода с равной вероятностью скатывается  более чем в один такой минимум. Применительно к конкретному  локальному минимуму, набор точек, удовлетворяющих  условию (б), называется бассейном (или  водосбором) этого минимума. Множества  точек, удовлетворяющих условию (в), образуют линии гребней на топографической  поверхности и называются линиями  водораздела.

Главная цель алгоритмов сегментации, основанных на введенных понятиях, состоит в нахождении линий водораздела. Основная идея метода выглядит просто. Предположим, что в каждом локальном  минимуме проколото отверстие, после  чего весь рельеф заполняется водой, равномерно поступающей снизу через  эти отверстия, так что уровень  воды всюду одинаков. Когда поднимающаяся  вода в двух соседних бассейнах близка к тому, чтобы слиться вместе, в этом месте ставится перегородка, препятствующая слиянию. В конце  концов заполнение достигает фазы, когда над водой остаются видны только верхушки перегородок. Эти перегородки, соответствующие линиям водоразделов, и образуют непрерывные границы, выделенные с помощью алгоритма сегментации по водоразделам.

Непосредственное применение алгоритма сегментации по водоразделам обычно приводит к избыточной сегментации, вызванной шумом и другими  локальными неровностями на градиентном  изображении. Избыточная сегментация  может быть настолько значительной, что сделает результат практически  бесполезным. В данном случае это  означает огромное число областей, выделенных при сегментации. Практическое решение этой проблемы состоит в  том, чтобы ограничить допустимое число  областей путем включения в состав процедуры шага предварительной  обработки, служащего для привнесения  добавочных знаний в процедуру сегментации.

Один из подходов, применяемых  для управления избыточной сегментацией, основан на идее маркеров. Маркер представляет собой компоненту, принадлежащую  изображению. Различают внутренние маркеры, относящиеся к интересующим объектам, и внешние маркеры, соответствующие  фону.[2]

2.4 Сегментация с использованием  оператора Собеля

Оператор Собеля используется в области обработки изображений. Часто его применяют в алгоритмах выделения границ. По сути, это дискретный дифференциальный оператор, вычисляющий приближенное значение градиента яркости изображения. Результатом применения оператора Собеля в каждой точке изображения является либо вектор градиента яркости в этой точке, либо его норма. Оператор Собеля основан на свёртке изображения небольшими сепарабельными целочисленными фильтрами в вертикальном и горизонтальном направлениях, поэтому его относительно легко вычислять. С другой стороны, используемая им аппроксимация градиента достаточно грубая, особенно это сказывается на высокочастотных колебаниях изображения.

Если проще, то оператор вычисляет градиент яркости изображения в каждой точке. Так находится направление наибольшего увеличения яркости и величина её изменения в этом направлении. Результат показывает, насколько «резко» или «плавно» меняется яркость изображения в каждой точке, а значит, вероятность нахождения точки на грани, а также ориентацию границы. На практике, вычисление величины изменения яркости (вероятности принадлежности к грани) надежнее и проще в интерпретации, чем расчёт направления.

Математически, градиент функции  двух переменных для каждой точки  изображения (которой и является функция яркости) — двумерный вектор, компонентами которого являются производные яркости изображения по горизонтали и вертикали. В каждой точке изображения градиентный вектор ориентирован в направлении наибольшего увеличения яркости, а его длина соответствует величине изменения яркости. Это означает, что результатом оператора Собеля в точке области постоянной яркости будет нулевой вектор, а в точке, лежащей на границе областей различной яркости — вектор, пересекающий границу в направлении увеличения яркости.

2.5 Выводы по обзору  существующих методов преобразования  растровых изображений.

В данной главе были рассмотрены  основные методы сегментации изображений, которые могли бы быть использованы в данной системе. Надо отметить, что  последний метод, описанный в  данной главе, будет использоваться, но его полное описание будет рассмотрено позже. Но он полностью также не решает систему, необходима собственная разработка с применением данного метода для полной оптимизации.

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

 

Для оптимальной работы системы  необходим свод требований и правил. Это улучшит как работу пользователей, так и работу самой системы.

3.1 Требования к системе  в целом

Используемая система  преобразования черно-белых растровых  изображений в цветные является действующей на данный момент и для  ее правильной работы используется несколько  требований:

- Содержать документацию  для обучения пользователей

- Обеспечить надежность  системы от отказоустойчивости

- Использовать квалифицированных  пользователей

3.2 Требования к задачам,  выполняемым системой

Система преобразования черно-белых  растровых изображений в цветные  должна удовлетворять следующим  требованиям:

- Экспорт изображения  после преобразования

- Выделение границ объектов  на изображении

- Возможность ручного  преобразования цветов выделенных  объектов

- Вывод затраченного времени  на преобразование изображения

3.3 Требования к видам  обеспечения

3.3.1 Требования к математическому  обеспечению

Для преобразования изображений, в системе должны быть использованы следующие алгоритмы:

- Использование оператора  Собеля

- Использование алгоритма  заливки объектов 

3.3.2 Требования к информационному  обеспечению

Результаты обработки  изображения должны сохраняться  в отдельном файле для последующего использования. В качестве входного изображения должно использоваться изображение с глубиной цвета  не менее 24bit.

3.3.3 Требования к лингвистическому  обеспечению

При разработке данной системы  можно использовать любые языки  программирования, которые могут  решить данную задачу. Рекомендуется  использовать языки программирования, которые при компиляции программы  переводятся непосредственно в  машинный код, это позволит достичь  более быстрой обработки изображения.

3.3.4 Требования к программному  обеспечению

Программное обеспечение  системы преобразования черно-белых растровых изображений в цветные должно соответствовать следующим основным принципам:

• Использование сертифицированных программных средств
• Минимальная номенклатура используемых программных средств
• Масштабируемость и высокая производительность
• Совместимость
• Наличие встроенной системы безопасности
• Надежность и отказоустойчивость
• Кроссплатформенность

3.3.5 Требования к техническому  обеспечению

Для обеспечения более  быстрой работы системы необходимо использовать достаточно мощное оборудование, которое бы не приводило:

- к отказоустойчивости  системы

- к работе пользователя  с большой задержкой

- к переполнению дисковых  пространств 

4 Архитектура  системы преобразования черно-белых  растровых изображений в цветные

 

Данный этап разрабатываемой  системы показывает, из чего состоит система. Показывает также входные и выходные данные, где в качестве входных данных используется некая директория с исходными и необработанными черно-белыми изображениями, а в качестве выходных данных может использоваться либо та же самая директория, либо совершенно другая. Данное представление показано на рисунке 4.1.

 

Рисунок 4.1 – Схема архитектуры  системы 

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

 

Согласно названию данной главы, будут описаны алгоритмы преобразования черно-белых растровых изображений в цветные. Где будет описан алгоритм сегментации с использованием оператора Собеля с последующей заливкой.

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

Работы программы описывается  следующим образом. Берется изображение, которое загружается в программу  и тут же преобразуется в уровни серого. Далее программа автоматически выполняет выделение границ с использованием оператора Собеля найденных на изображении объектов, после чего пользователю предоставляется ручной редактирование цветов выделенных объектов, где и производится заливка. После завершения закраски всего изображения, имеется возможность импорта для последующего использования.

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

Шаг 1. Преобразование изображения  в оттенки серого (GrayScale)

 

Результат: найдена средняя  яркость пикселя представленная как mid

Шаг 2. Сегментация изображения  GrayScale оператором Собеля

1. Для начала находим взвешенную сумму окружающих пикселей, их  всего восемь. Взвешенная сумма – сумма элементов, каждый из которых умножен на определенное число. Далее, находим две взвешенные суммы с разным набором множителей, тех самых из определения взвешенной суммы.

2. На следующем шаге  возводим каждую из найденных взвешенных сумм в квадрат, складываем их и сравниваем с числом   (если цветовые составляющие пикселя R, G, B изменяются от 0 .. 255, если же от 0 .. 1, то сравниваем с  ). Если сумма больше числа, то на результирующем изображении ставим в соответствующее место белый пиксель, иначе черный.

Коэффициенты оператора  Собеля

Они представлены в виде матрицы для наглядности. Коэффициент для текущего пикселя располагается в центре матрицы, для левого верхнего в левом верхнем углу матрицы и т.д.

Результат: получаем изображение  с выделенными контурами

Шаг 3. Заливка выделенных областей

1. Заносим в массив все окружающие пиксели одного цвета
2. Закрашиваем пиксели в выбранный цвет
3. Выводим массив закрашенных пикселей на основное изображение

Результат: закрашенная область  с выбранным цветом 

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

Для работы программы необходимы исходные данные в качестве изображений. Также необходимо хранить выходные результаты работы системы, которые  также представлены в качестве изображений. Вся процедура хранения данных представлена на рисунке 6.1.

Рисунок 6.1 – Диаграмма  DFD

На данной диаграмме видно, как происходит хранение данных, в  процессе работы системы. 

Для описания процесса программы  и отображения последовательности действий используется диаграмма типа IDEF3, изображенной на рисунке 6.2.

Рисунок 6.2 – Диаграмма  IDEF3 

7 Тестирование  программы преобразования черно-белых  растровых изображений в цветные

После выбора изображения  для тестирования, рабочая область  заполниться, как это показано на рис. 7.1. По ней видно, что первое изображение представляет из себя исходное изображение, второе – GrayScale, ну на третьем выполняется сама сегментация изображения.