Скелетизация низкоконтрастных зашумленных полутоновых изображений

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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Cai J. (2012) Robust Filtering-Based Thinning Algorithm for Pattern Recognition. The Computer Journal. 55 (7), 887–896. DOI: 10.1093/comjnl/bxr124.