bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2021-19-4-61-69bsuir-3109Research ArticleЭЛЕКТРОНИКА, РАДИОФИЗИКА, РАДИОТЕХНИКА, ИНФОРМАТИКАELECTRONICS, RADIOPHYSICS, RADIOENGINEERING, INFORMATICSРазделение изображений на области локальных экстремумов с монотонным изменением яркости пикселейDivision of images into areas of local extrema with a monotonic change in pixel brightnessНгуенА. Т.NguyenA. T.

аспирант кафедры инфокоммуникационных технологий

г. Минск

Anh Tuan Nguyen, Pоstgraduate student at the Department of Infocommunication Technologies 

Minsk

ЦветковВ. Ю.TsviatkouV. Yu.

Цветков Виктор Юрьевич, д.т.н., доцент, заведующий кафедрой инфокоммуникационных технологий

220013, Республика Беларусь, г. Минск, ул. П. Бровки, 6тел. +375-017-293-84-08

Tsviatkou Viktar Yur’evich, D.Sc., Associate Professor, Head of the Department of Infocommunication Technologies

220013, Republic of Belarus, Minsk, P. Brovki str., 6tel. +375-017-293-84-08

vtsvet@bsuir.byБелорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and Radioelectronics2021010720211946169Copyright © Нгуен А.Т., Цветков В.Ю., 20212021Нгуен А.Т., Цветков В.Ю.Nguyen A.T., Tsviatkou V.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/3109

Рассматривается задача сегментации полутоновых изображений, при которой выделяются области локальных максимумов и минимумов (экстремумов) с монотонным изменением яркости пикселей от локальных экстремумов к границам областей. Для решения данной задачи предложена математическая модель и разработан алгоритм сегментации на основе встречного волнового выращивания областей локальных экстремумов. Разработанный алгоритм отличается от известных алгоритмов сегментации использованием множества порогов яркости (по числу областей), изменяющихся на единицу в каждом цикле, начиная от значений локальных экстремумов, с учетом увеличения или уменьшения яркости для выбора смежных пикселей, присоединяемых к областям, образованным от этих локальных экстремумов. Алгоритм обеспечивает большее отклонение яркостей пикселей от среднего значения в пределах области по сравнению с известными алгоритмами сегментации. Это не позволяет оценивать его эффективность с помощью известных показателей, основанных на дисперсии яркости в пределах области. В этой связи предложены оценки монотонности изменения яркости областей на основе кратчайших расстояний от каждого пикселя области до соответствующего локального экстремума по маршрутам, определяемым максимальным увеличением (для области локального максимума) или уменьшением (для области локального минимума) яркости пикселей, и учета количества пикселей, прерывающих монотонность изменения яркости сегмента. С помощью данных оценок показано, что предложенный алгоритм обеспечивает сегментацию искусственных и естественных полутоновых изображений с монотонным изменением яркости пикселей в областях локальных экстремумов. Данные свойства позволяют рассматривать разработанный алгоритм в качестве основы для выделения на изображениях текселей, пятен, малоконтрастных объектов.

In this paper, the problem of segmentation of halftone images is considered, in which areas of local maxima and minima (extrema) are distinguished with a monotonic change in the brightness of pixels from local extrema to the boundaries of areas. To solve this problem, a mathematical model is proposed and a segmentation algorithm is developed on the basis of counter-wave growing of local extremum regions. The developed algorithm differs from the known segmentation algorithms by using a set of brightness thresholds (by the number of regions), varying by one in each cycle, starting from the values of local extrema, taking into account the increase or decrease in brightness to select adjacent pixels that are attached to the regions formed from these local extrema. The algorithm provides a greater deviation of pixel brightness from the average value within the region compared to known segmentation algorithms. This does not allow evaluating its efficiency using known indicators based on the variance of the brightness within the region. In this regard, estimates of the monotonicity of changes in the brightness of regions are proposed based on a) the shortest distances from each pixel of the region to the corresponding local extremum along the routes determined by the maximum increase (for the region of the local maximum) or decrease (for the region of the local minimum) the brightness of pixels and b) taking into account the number pixels that break the monotony of the segment brightness change. Using these estimates, it is shown that the proposed algorithm provides segmentation of artificial and natural grayscale images with a monotonic change in the brightness of pixels in the areas of local extrema. These properties allow us to consider the developed algorithm as a basis for the selection of texels, spots, low-contrast objects in images.

сегментация изображенийвстречное волновое выращивание областейлокальные экстремумыimage segmentationcounter-wave growinglocal extremaReferencesOtsu N. A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics. 1979;9:62-66. DOI:10.1109/TSMC.1979.4310076.Otsu N. A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics. 1979;9:62-66. DOI:10.1109/TSMC.1979.4310076.Haralick R.M., Shapiro L.G. Image segmentation techniques. Computer Vision, Graphics, and Image Processing. 1985;29(1):100-132.Haralick R.M., Shapiro L.G. Image segmentation techniques. Computer Vision, Graphics, and Image Processing. 1985;29(1):100-132.Horowitz S.L., Pavilidis T. Picture segmentation by a tree traversal algorithm. Journal of the ACM. 1976;23(2):368-388. DOI: 10.1145/321941.321956.Horowitz S.L., Pavilidis T. Picture segmentation by a tree traversal algorithm. Journal of the ACM. 1976;23(2):368-388. DOI: 10.1145/321941.321956.Meyer F. Topographic distance and watershed lines. Signal Processing. 1994;38(1):113-125. DOI: 10.1016/0165-1684(94)90060-4.Meyer F. Topographic distance and watershed lines. Signal Processing. 1994;38(1):113-125. DOI: 10.1016/0165-1684(94)90060-4.Adams R., Bischof L. Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994;16(6):641-647.Adams R., Bischof L. Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994;16(6):641-647.Fan M., Lee T.C.M. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485.Fan M., Lee T.C.M. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485.Fan J., Zeng G., Body M., Hacid M.S. Seeded region growing: an extensive and comparative study. Pattern Recognition Letters. 2005;26(8):1139-1156.Fan J., Zeng G., Body M., Hacid M.S. Seeded region growing: an extensive and comparative study. Pattern Recognition Letters. 2005;26(8):1139-1156.Porikli F.M. Automatic image segmentation by Wave Propagation. International Society for Optics and Photonics. 2004;5298:536-543.Porikli F.M. Automatic image segmentation by Wave Propagation. International Society for Optics and Photonics. 2004;5298:536-543.Zhang H., Fritts J.E., Goldman S.A. Image segmentation evaluation: A survey of unsupervised methods. Computer Vision and Image Understanding. 2008;110(2):260-280.Zhang H., Fritts J.E., Goldman S.A. Image segmentation evaluation: A survey of unsupervised methods. Computer Vision and Image Understanding. 2008;110(2):260-280.Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image Qualifty Assessment: From Error Visibility to Structural Similarity. IEEE Transactions on Image Processing. 2004;13(4):600-612.Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image Qualifty Assessment: From Error Visibility to Structural Similarity. IEEE Transactions on Image Processing. 2004;13(4):600-612.Berkeley Segmentation Dataset and Benchmark. Mode of access: https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/BSDS300/html/dataset/images.html – Date of access: 07.10.2020.Berkeley Segmentation Dataset and Benchmark. Mode of access: https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/BSDS300/html/dataset/images.html – Date of access: 07.10.2020.

The authors declare that there are no conflicts of interest present.