Алгоритми контурного аналізу зображень


  • O. Yu. Shamuratov Національний університет "Львівська політехніка", м. Львів
  • N. B. Shakhovska Національний університет "Львівська політехніка", м. Львів https://orcid.org/0000-0002-6875-8534
Ключові слова: методи контурного аналізу; оператор Прюітта; оператор Собеля; оператор Кірша; оператор Лапласа

Анотація

Порівняно основні властивості нелінійних методів контурного аналізу за вимогами у використанні обмеженості обчислювальних ресурсів апаратних засобів. Для цього було проаналізовано загальні поняття про нелінійні алгоритми пошуку контурів на зображеннях та було обрано 4 методи для проведення подальшого аналізу. З них 3 методи з ковзною маскою 3´3, а саме: оператор Прюітта; оператор Собеля; оператор Кірша та метод з маскою 5´5 – оператор Лапласа. Усі методи протестовано на однаковому зображенні роздільною здатністю 6016´4000 пікселів. Під час порівняння методів особливу увагу приділено використанню обчислювальних ресурсів апаратних засобів, тобто оперативної пам'яті та завантаженості процесора, а також швидкості виконання алгоритму. Оператор Кірша є найбільш ресурсно-витратним методом серед розглянутих, але при цьому його перевага в дуже чутливій масці, що виділяє цей метод для використання навіть за найнижчій загальній яскравості зображення. Оптимальним методом щодо обчислювальної потужності та знаходження контурів є оператор Собеля, це зумовлено використанням маски з коефіцієнтами тільки для середніх значень. Окремо можна виділити оператор Лапласа. Цей метод виконано швидше і має він меншу обчислювальну вартість. При цьому дає не набагато гірший за інші методи результат. Цей метод добре використовувати, якщо обчислювальні потужності є не високими.

Біографії авторів

O. Yu. Shamuratov, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра систем штучного інтелекту

N. B. Shakhovska, Національний університет "Львівська політехніка", м. Львів

д-р техн. наук, професор, завідувач кафедри систем штучного інтелекту

Посилання

Bastian, L., & Schiele, B. (2003). Analyzing appearance and contour based methods for object categorization. Computer Society Conference on Computer Vision and Pattern Recognition. (Vol. 2). Proceedings.
Canny, J. F. (1983). Finding edges and lines in images. Masters thesis, MIT. AI Lab. TR, 720 p.
David, M., & Hildreth, E. (1980). Theory of edge detection. (Ser. B. Biological Sciences). Proceedings of the Royal Society of London, 207(1167), 187–217.
Dipalee, G., & Choubey, S. (2015). Discrete wavelet transform for image processing. International Journal of Emerging Technology and Advanced Engineering, 4(3), 598–602.
Duda, R. O., & Hart, P. E. (1973). Pattern classification and scene analysis. New York: Wiley, 482 p.
Furgala, Y., Mochulsky, Y., & Rusyn, B. (2018). Evoluation of objects recognition efficiency on mapes by verious methods. Proceedings of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing DSMP. (pp. 595–598).
Hao, C., et al. (2017). DCAN: Deep contour-aware networks for object instance segmentation from histology images. Medical image analysis, 36, 135–146.
Kapustiy, B., Rusyn, B. P., & Tajanov, V. A. (2005). A new Approach to Determination of Correct Recognition Probability of the Set Objects. Upravlyayushchie Sistemy i Mashiny, 2, 8–12.
Kirsch, R. (1971). Computer determination of the constituent structure of biological images. Computers and Biomedical Research, 4, 315–328.
Kosar, O., & Shakhovska, N. (2018). An Overview of Denoising Methods for Different Types of Noises Present on Graphic Images. Conference on Computer Science and Information Technologies. (pp. 38–47). Springer, Cham.
Moon, P., & Spencer, D. E. (1953). The Meaning of the Vector Laplacian. J. Franklin Inst., 551–558.
Peleshko, D., et al. (2016). Design and implementation of visitors queue density analysis and registration method for retail videosurveillance purposes. First International Conference on Data Stream Mining & Processing.
Prewitt, J. M-S. (1970). Object enhancement and extraction. Picture processing and Psychopictorics, 10(1), 15–19.
Sobel, I., & Feldman, G. (1973). A 3x3 Isotropic Gradient Operator for Image Processing. Pattern Classification and Scene Analysis, 271–272.
Yang, J., Price, B., Cohen, S., Lee, H., & Yang, M. H. (2016). Object contour detection with a fully convolutional encoder-decoder network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (pp. 193–202).
Опубліковано
2019-06-27
Як цитувати
Shamuratov, O. Y., & Shakhovska, N. B. (2019). Алгоритми контурного аналізу зображень. Науковий вісник НЛТУ України, 29(6), 123-127. https://doi.org/10.15421/40290624
Розділ
Інформаційні технології галузі