bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2023-21-5-112-119bsuir-3736Research ArticleЭЛЕКТРОНИКА, РАДИОФИЗИКА, РАДИОТЕХНИКА, ИНФОРМАТИКАELECTRONICS, RADIOPHYSICS, RADIOENGINEERING, INFORMATICSСкелетизация низкоконтрастных зашумленных полутоновых изображенийSkeleting of Low-Contrast Noisy Halftone ImagesЦзюньМаJunMa

аспирант кафедры инфокоммуникационных технологий

г. Минск

Postgraduate at the Department of Infocommunication Technologies

Minsk

ЦветковВ. Ю.TsviatkouV. Yu.

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

220013, г. Минск, ул. П. Бровки, 6

Тел.: +375 17 293-84-08 

Tsviatkou Viktar Yur’evich, Dr. of Sci. (Tech.), Professor, Head of the Department of Infocommunication Technologies

220013, Minsk, P. Brovki St., 6

Tel.: +375 17 293-84-08

vtsvet@bsuir.byБорискевичА. А.BoriskevichA. A.

д. т. н., профессор, профессор кафедры инфокоммуникационных технологий

г. Минск

Anatoliy A. Boriskevich, Dr. of Sci. (Tech.), Professor, Professor at the Department of Infocommunication Technologies

Minsk

Белорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and Radioelectronics202326102023215112119Copyright © Цзюнь М., Цветков В.Ю., Борискевич А.А., 20232023Цзюнь М., Цветков В.Ю., Борискевич А.А.Jun M., Tsviatkou V.Y., Boriskevich A.A.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/3736

Рассмотрена задача формирования скелетов полутоновых изображений с двухмодовыми гистограммами яркости в условиях изменения контраста и действия шума. На таких гистограммах одна мода соответствует объектам, а другая – фону. Благодаря данной особенности изображения относительно просто бинаризируются, а затем скелетизируются. Скелет однородной по яркости области представляет собой множество тонких (в пределе однопиксельных) связанных линий, заключенных внутри этой облас ти и компактно описывающих ее структуру. В условиях высокого контраста и слабого шума на исходном полутоновом изображении широко используются алгоритмы бинарной скелетизации. Они относительно просты и могут быть устойчивы к мультипликативному шуму, проявляющемуся на границах областей после бинаризации. Однако при снижении контраста и усилении зашумления исходного полутонового изображения скелеты, формируемые такими алгоритмами, разрушаются под действием аддитивного шума, проявляющегося в глубине областей скелетизируемого бинарного изображения. Для уменьшения ошибок скелетизации в таких случаях применяются алгоритмы, основанные на предварительной низкочастотной фильтрации исходного полутонового изображения. Для повышения устойчивости скелетов полутоновых изображений с двухмодовой гистограммой яркости к шуму в статье предложена модель скелетизации, учитывающая наличие мультипликативной и аддитивной составляющих шума на бинарном скелетизируемом изображении. На основе данной модели разработан алгоритм скелетизации, отличающийся учетом искажений форм областей скелетизируемого бинарного изображения в результате низкочастотной фильтрации исходного полутонового изображения и позволяющий уменьшить ошибки скелетизации полутоновых изображений.

The problem of forming the skeletons of halftone images with two-mode brightness histograms under conditions of changing contrast and noise is considered. On such histograms, one mode corresponds to the objects, and the other to the background. Thanks to this feature, images are relatively easy to binarize and then skeletonize. The skeleton of a region uniform in brightness is a set of thin (limited by one-pixel) connected lines enclosed within this region and compactly describing its structure. Under conditions of high contrast and low noise on the original halftone image, binary skeletonization algorithms are widely used. They are relatively simple and can be resistant to multiplicative noise that appears at the boundaries of the regions after binarization. However, when the contrast is reduced and the noise of the original halftone image is increased, the skeletons formed by such algorithms are destroyed under the influence of additive noise, which manifests itself in the depth of the regions of the skeletonized binary image. To reduce skeletonization errors in such cases, algorithms based on preliminary low-pass filtering of the original grayscale image are used. To increase the stability of the skeletons of halftone images with a two-mode brightness histogram to noise, the article proposes a skeletonization model that takes into account the presence of multiplicative and additive noise components in a binary skeletonized image. Taking this model into account, a skeletonization algorithm has been developed, which takes into account the distortions in the shapes of the areas of the skeletonized binary image as a result of low-frequency filtering of the original halftone image and allows to reduce errors in the skeletonization of halftone images.

скелетизация полутоновых изображениймультипликативный шумаддитивный шумчувствительность скелета к шумуskeletonization of halftone imagesmultiplicative noiseadditive noisesensitivity of the skeleton to noiseReferencesSaha P. K., Borgeforsc G., Sanniti di Bajade G. (2016) A Survey on Skeletonization Algorithms and their Applications. Pattern Recognition Letters. 76, 3–12. DOI: 10.1016/j.patrec.2015.04.006.Saha P. K., Borgeforsc G., Sanniti di Bajade G. (2016) A Survey on Skeletonization Algorithms and their Applications. Pattern Recognition Letters. 76, 3–12. DOI: 10.1016/j.patrec.2015.04.006.Otsu N. (1979) A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62–66. DOI: 10.1109/TSMC.1979.4310076.Otsu N. (1979) A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62–66. DOI: 10.1109/TSMC.1979.4310076.Chin R.T. et al. (1987) A One-Pass Thinning Algorithm and its Parallel Implementation. Computer Vision, Graphics and Image Processing. 40, 30–40. DOI: 10.1016/0734-189X(87)90054-5.Chin R.T. et al. (1987) A One-Pass Thinning Algorithm and its Parallel Implementation. Computer Vision, Graphics and Image Processing. 40, 30–40. DOI: 10.1016/0734-189X(87)90054-5.Zhang T. Y., Suen C. Y. (1984) A Fast Parallel Algorithm for Thinning Digital Patterns. Communications of the ACM. 27 (3), 236–239. DOI: 10.1145/357994.358023.Zhang T. Y., Suen C. Y. (1984) A Fast Parallel Algorithm for Thinning Digital Patterns. Communications of the ACM. 27 (3), 236–239. DOI: 10.1145/357994.358023.Hoffman M. E., Wong E. K. (1998) Scale-Space Approach to Image Thinning Using the Most Prominent Ridge-Line in the Image Pyramid Data Structure. Photonics West’98 Electronic Imaging, International Society for Optics and Photonics. 30, 1369–1373. DOI: 10.1117/12.304636.Hoffman M. E., Wong E. K. (1998) Scale-Space Approach to Image Thinning Using the Most Prominent Ridge-Line in the Image Pyramid Data Structure. Photonics West’98 Electronic Imaging, International Society for Optics and Photonics. 30, 1369–1373. DOI: 10.1117/12.304636.Chatbri H., Kameyama K. (2014) Using Scale Space Filtering to Make Thinning Algorithms Robust Against Noise in Sketch Images. Pattern Recognition. 42, 1–10. DOI: 10.1016/j.patrec.2014.01.011.Chatbri H., Kameyama K. (2014) Using Scale Space Filtering to Make Thinning Algorithms Robust Against Noise in Sketch Images. Pattern Recognition. 42, 1–10. DOI: 10.1016/j.patrec.2014.01.011.Cai J. (2012) Robust Filtering-Based Thinning Algorithm for Pattern Recognition. The Computer Journal. 55 (7), 887–896. DOI: 10.1093/comjnl/bxr124.Cai J. (2012) Robust Filtering-Based Thinning Algorithm for Pattern Recognition. The Computer Journal. 55 (7), 887–896. DOI: 10.1093/comjnl/bxr124.

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