Разработка нового метода получения суперпиксельного представления изображений и его применение в прикладных задачах анализа изображений

В ходе выполнения Проекта был проведён аналитический обзор и сравнительный анализ известных алгоритмов представления изображений в виде суперпикселей (23 алгоритма) по качественным и количественным показателям. Было выявлено отсутствие универсального алгоритма формирования суперпиксельного представления – каждый алгоритм обладает своим набором преимуществ и недостатков, что делает его применение ограниченным и ориентированным на решение узких классов прикладных задач. Также был проведён обзор работ, в которых решаются различные задачи анализа и обработки изображений, представленных набором суперпикселей. Он, показал, что, как правило, авторы используют узкий набор признаков суперпикселей, что ограничивает возможности обработки изображений. Для преодоления ограничений суперпиксельной обработки был предложен новый алгоритм формирования суперпиксельного представления изображений, отличающийся от известных расширенным множеством признаков, описывающих суперпиксели. На основании анализа типовых задач обработки и анализа изображений была введена в рассмотрение система из 25 базовых признаков суперпикселей. Она включает в себя экстремальные, аддитивные, векторные и множественные признаки, характеризующие форму, яркость, геометрические параметры и положение суперпикселя на плоскости. Предложенный новый алгоритм реализован в виде двухэтапной вычислительной процедуры: первый этап – быстрая первичная сегментация, обеспечивающая сокращение числа элементов изображения, и, сохраняющая высокую точность представления исходного изображения, второй этап – объединение суперпикселей с использованием более мягких, нежели на первом этапе, предикатов однородности областей. На первом этапе предложенного нового алгоритма выполняется выделение областей по порогу, имеющему смысл максимально допустимой погрешности сохранения значения каждого пикселя в суперпиксельном представлении изображения. Экспериментально подтверждено значительное снижение числа элементов изображения в режиме реального времени, сохранение информации с высокой точностью и высокие показатели качества суперпиксельной сегментации на этом шаге. Для выполнения второго этапа нового алгоритма предложено несколько предикатов однородности, по которым может быть загрублено первичное суперпиксельное представление: они контролируют среднеквадратичную ошибку аппроксимации яркости суперпикселя и его минимальную площадь. При этом показано как рассчитать среднеквадратичную ошибку аппроксимации яркости суперпикселя двумерным полиномом нулевого и первого порядков по введённым базовым признакам суперпикселя. Для разработанного нового алгоритма оценена вычислительная сложность на первом и втором этапах: она линейно зависит от текущего числа элементов изображения (на первом этапе – от числа пикселей исходного изображения, на втором – от числа суперпикселей, сформированных на первом шаге). С применением предложенного алгоритма и введённых признаков суперпикселей эффективно решены задачи классификации и фильтрации различных шумов на изображениях, в каждом случае даны рекомендации по настройке значений входных параметров алгоритма. Разработанные методы суперпиксельной классификации и фильтрации показали выигрыш над поэлементной классификацией (дерево решений) и поэлементной фильтрацией (винеровская фильтрация, медианная фильтрация), соответственно.