Анализ изображений на основе субполосных представлений в области пространственных частот

Автор: Заливин А.Н., Черноморец А.А., Жиляков Е.Г., Белов С.П.

Журнал: Инфокоммуникационные технологии @ikt-psuti

Рубрика: Теоретические основы технологий передачи и обработки информации и сигналов

Статья в выпуске: 1 т.18, 2020 года.

Бесплатный доступ

В настоящее время двумерные визуальные отображения различных информационных массивов широко распространены, так как изображения являются наиболее естественной для человека формой информационного обмена. Поэтому созданы различные информационные технологии, предназначенные для реализации компьютерной обработки изображений. Существенное место среди информационных технологий занимает компьютерный анализ изображений, основу которого составляют процедуры определения тех или иных свойств, характеризующих их с определенных позиций. В частности, важным направлением анализа изображений служат процедуры автоматической классификации составляющих их объектов(распознавания образов). При этом главное внимание уделяется выбору так называемого пространства признаков, которые с позиций решаемой задачи наиболее адекватно отражают свойства анализируемых изображений. В статье рассматривается возможность использования для анализа изображений субполосного метода, применение которого, как показали результаты исследований, позволяет получить характеристики, которые можно использовать в качестве признаков для их сравнения.

Еще

Субполосный анализ и синтез, трансформанта фурье, доля евклидовой нормы сигнала

Короткий адрес: https://sciup.org/140256248

IDR: 140256248   |   DOI: 10.18469/ikt.2020.18.1.01

Текст научной статьи Анализ изображений на основе субполосных представлений в области пространственных частот

Одним из характерных свойств изображений является наличие квазипериодичности в ориентации линий и контуров объектов. Это позволяет говорить об адекватности анализа изображений на основе частотных представлений, основным инструментом которых служат трансформанты Фурье следующего вида:

Ф F (to1, Ю2 ) =

NM                          (1)

= ZZfa ехР(-j(toi( 1 - 1) + ®2(k -1)),

  • i = 1 k = 1

где f k , i = 1,.., N ; k = 1,.., M - пиксели изображения F = { f k }; Ю 1 = 2 n v 1 ; rn 2 = 2 n v 2 -круговые нормированные пространственные частоты в том смысле, что выполняются неравенства (следствие дискретизации)

- 0,5 v 1 , v 2 0,5.               (2)

Ввиду ортогональности используемого в (1) двумерного базиса в области (2) имеет место равенство Парсеваля [1], которое показывает

NM

II f^2 = ZZ fk = £=1 k=1

П П

  • = J J 1 Ф F ( ю 1 ю 2 ) 1 2 d ® i d ю 2 /4 п 2 -

    -П -П

Важность этого равенства определяется тем, что оно описывает распределение евклидовой нормы (энергии) изображения в области определения трансформанты Фурье (пространственных частот). Это распределение можно представить в следующем виде:

R 1 R 2

II F |2 = ZZ E sr ( F ),            (4)

s = 1 r = 1

где Esr ( F ) ‒ часть энергии (квадрата нормы)

E sr ( F ) = JJ | ф F ( u , v )|2 dudv /4 п 2 ,    (5)

(u,™v)eV„ связанная с одной из подобластей пространственных частот

Vsr = {( u G [-us2, -us 1 )- [us2, us 1)) n ^(v G [-Vr2, -Vr 1) U [Vr2, Vr 1))}, которые не пересекаются и полностью покрывают всю область вида (2). Условия покрытия всей области (2) имеют вид:

u 11 = v 11 = 0;    u s 2 u s 1 ;

v r 2 v r 1 ;   u sR , = v R 2 =П

Очевидно, что характеристики (5) могут использоваться для описания свойств изображений, предназначенных для реализации компьютерной обработки [2; 3], например, в качестве признаков [4; 5] при идентификации их в том или ином классе. Кроме того, ниже будут получены и другие характеристики изображений.

Анализ свойств изображений на основе субполосных представлений

Анализ свойств изображений с позиций разбиения области определения их трансформант Фурье (2) на подобласти вида (6), (7) будем именовать субполосным [6].

Важно, что эти характеристики могут быть вычислены непосредственно в области оригиналов (без перехода в частотную область).

Нетрудно получить соответствующее представление, если в определение (5) подставить представление (1) подынтегральной функции. В результате имеем:

NM

E sr ( F ) = Ц fJ m X

I , n = 1 k , m = 1

X II If

ехР( j (( i 1) u i +

( u 1 , V 1 ) e V sr ( u 2 . v 2 ) e V sr

+ ( k 1) v 1 ( n 1) u 2 — - ( m 1) v 2) du 1 dv 1 du 2 dv 2.

После интегрирования и проведения несложных преобразований получаем искомое представление:

E s r ( F ) = sp ( A s FBrFT ),            (8)

где символ sp означает след матрицы;

A s = { a k }, i , k = 1,.., N ;

B r = {b^ }, n , m = 1,--, M

‒ мaтрицы с элементaми as = 2 sin (A us (i — k) 12) I (n( i — k)) x x cos(Q s (i — k)), aiS = A us / n;

Km = 2sin ( A v r ( n m ) I2) I ( n ( n m )) x (10) x cos( Q r ( n m )), b^ = A V r I n ;

A u s = u s 2 u s 1 ; ^ s = ( u s 2 + u s 1 )I2;     (11)

A V r = V r 2 V r 1 ; ^ r = ( V r 2 + V r 1 )I2.     (12)

Здесь и в дaльнейшем верхний индекс T озʜaчa-eт символ тpaнспонировaния мaтриц и векторов.

Предстaʙляeтся естественным мaтрицы с эле-ментaми видa (9) и (10) ʜaзыʙaть субполосными. Они облaдaют рядом примечaтельных свойств, которые полезны для осуществления субполосного aʜaлизa изобpaжений. Для более детaльно-го aʜaлизa этих свойств целесообpaзно привести общее интeгpaльное предстaʙлeʜиe элементов субполосной матрицы Cu = { c“k }, i , k = 1,.., N соотносимых с некоторой чaстотной полосой (субполосой)

U = [ u 2, u 1 ) u ( u 1 , u 2], 0 u 1 ; u 2 . (13)

Это предстaвлeниe имеет вид ck = f ехр(—ju(i — k))du I2n.      (14)

u e U

Ha основе этого предстaʙлeʜия лeгко покaзaть, что субполосные мaтрицы будут неотрицaтель-но определенными. В сaмом деле, пусть вектор x = ( x 1 ,.., xN ) T состоит из вещественных компонент. Тогдa при подстaновке (14) в определение субполосной кʙaдpaтичной формы

N

Gu(^) = x TCux = z xxkcuk i, k=1 нетрудно получить соотношение

Gu (x) =f IX(u)|2 du I2n,(16)

u eU где X(u) ‒ тpaнсформaʜтa (спектр) Фурьe paс-смaтpиʙaeмого векторa

X (u) = Zxiexp(—ju (i — 1)).(17)

i = 1

Taк кaк соотношение (17) определяет целую функцию чaстоты, то онa ʜи ʙ кaком чaстотном интepʙaлe конечныx paзмеров не может быть тождественно рaʙʜa ʜyлю. Поэтому интeгpaл ʙ пpaвой чaсти (16), a следовaтельно, и кʙaдpaтич-ʜaя формa (15) ʜa всем векторном простpaнстве будет положительной, то есть выполняется нeрa-вeнство xTCux = YxlXkc“k > 0.          (18)

uikik i, k=1

Ясно тaкже, что предстaʙлeʜиe (14) определяет симметричную мaтрицу. Поэтому онa яʙляeтся мaтрицей простой структуры [7], то есть облaдa-eт ʜaбором собственных векторов, обpaзующих ортонормaльный бaзис в простpaнстве векторов соответствующей paзмерности. Taким обpaзом, спрaʙeдливо предстaʙлeʜиe

Cu = QuLuQTu,(19)

где Qu = ( сЦ1 ...<7 NN ) - ортогональная матрица собственных векторов

QuQTu = QTuQu = diag(1,...,1),(20)

CuQu = QuLu,(21)

Lu = diag( ^ u ,.., A N ) - диагональная матрица собственных чисел.

Ввиду (18) собственные числa субполосной мaтрицы тоже положительны [7], и в дaльнейшем полaгaeм, что они упорядочены по убыʙaʜию:

A u >A 2 > ... >A NN 0.           (22)

Ha основе (21) и (14) нетрудно получить следующее соотношение для компонент собственных векторов

λruqmur=∫ Hru(z)exp( jz(m -1))dz / 2π, (23) z∈U где

N

H r u ( z ) = q m u r exp( - j ( m - 1)).      (24)

m = 1

Таким образом, собственные векторы субполосных матриц полностью определяются отрезками их трансформант Фурье в рассматриваемом частотном интервале.

Умножив (23) слева и справа на qmun и суммирования по общему нижнему индексу, с учетом свойства ортонормальности собственных векторов (20) получаем важные соотношения (звездочка вверху означает комплексное сопряжение):

H r u ( z ) H n u *( z ) dz /2 π= z U

п

= H r u ( z ) H n u *( z ) dz = 0,

λ r u = | Hru ( z )|2 dz /2 π≤ 1.

z U

Соотношение (25) определяет так называ-

емое [1] свойство двойной ортогональности спектров собственных векторов.

В свою очередь соотношение (26) наряду с равенством Парсеваля показывает, что собственное число равно попадающей в исходный частотный интервал части квадрата евклидовой нормы (энергии) соответствующего собственного вектора. Отметим, что близость собственного числа к единице означает, что область определения спектра соответствующего собственного числа имеет малые размеры (финитна).

Соотношение (19) вместе с (20) определяют ортогонально подобные матрицы, следы которых поэтому равны [7], то есть для среднего собственного числа, согласно (25), должно выполняться равенство

NN λ i u / N = c i u i / N = ( u 2 - u 1 )/ π ,     (27)

i= 1                   i = 1

которое следует из (13) и (14). Таким образом, все собственные числа равны единице тогда и только тогда, когда ширина субполосы совпадает со всей областью определения трансформанты Фурье. Очевидно, что в этом случае субполосная матрица с элементами (14) будет единичной.

По аналогии с (9) для элементов (14) можно использовать представление ciuk = 2ci0k соѕ(Ωu (i - k)),           (28)

где ci0k = sin(∆u(i - k) / 2) / (π(i - k)), ci0i =Δu/2π.

Остальные переменные определены соотношениями (11)‒(12).

В свою очередь, полагая

C u 0 = { c i 0 k }, i , k = 1,.., N ,            (30)

CS u = 2diag(1,соѕ Ω u ,..,соѕ( Ω u ( N - 1))), (31)

SSu=2diag(0,sinΩu,..,sin(Ωu(N -1))), субполосную матрицу (14) можно представить в аддитивном виде:

C u = CS u C u 0 CS u + SS u C u 0 SS u .       (32)

Субполосную матрицу вида (30) будем называть нулевой для выбранной частотной подполосы. Соотношение (31) определяет процедуру переноса ее в пределы этой субполосы, что может быть удобным для многократного использования субполос одной и той же ширины. Поэтому применение субполосного анализа представляется целесообразным использовать разбиения частотной полосы на R + 1 субполос, границы которых определяются следующим образом:

u10 =0;  u20 =2π/N;u11 =u20; u2r=u1r+4π/N, r=1,..,R.

При этом в соответствии с требованием (13) совпадения с границей области определения должно выполняться равенство

R = ( N - 2)/4.            (34)

Так как количество частотных интервалов должно быть целым, то выбор размерности обрабатываемых векторов (строк или столбцов изображений) должен это обеспечивать.

Пусть теперь наряду с изображением F рассматривается изображение такой же размерности D = { dik }, i = 1,.., N ; k = 1,.., M . Тогда квадрат евклидовой нормы их разности

C = F - D             (35)

можно в соответствии с (4) представить в субполосной форме:

R1R2

|| F - D ||2 = ∑∑ E sr ( F - D ).       (36)

s= 1 r =1

Очевидно, что каждое из слагаемых в последнем соотношении можно считать локальной субполосной мерой близости, которая в соответствии с (5) отражает близость двумерных отрезков трансформант Фурье сравниваемых изображений в заданных подобластях пространственных частот. При этом в вычислительном соотношении (8) необходимо F заменить на C .

Для слагаемых в правой части (36) нетрудно показать справедливость следующего соотношения:

E sr ( F - D ) = E sr ( F ) + E sr ( D ) - 2 W sr ( F , D ), (37) где последнее слагаемое естественно именовать субполосной корреляцией двух изображений:

W sr ( F , D ) =

= ∫∫ Φ F ( u , v ) Φ * D ( u , v ) dudv / 4 π 2.   (38)

( u , ω v ) Vsr

Сопоставление правой части (38) с определением (5) дает равенства

W sr ( F , F ) = E sr ( F ); W sr ( D , D ) = E sr ( D ). (39)

После подстановки в (38) определений трансформант Фурье вида (1) и очевидных преобразований можно получить соотношения для вычислений непосредственно в области оригиналов:

W sr ( F , D ) = sp ( A s FB r DT ).        (40)

Таким образом, субполосная корреляция является вещественным числом. Можно также определить нормированный субполосный коэффициент корреляции:

ρ sr ( F , D ) = W sr ( F , D )/( E sr ( F ) E sr ( D ))1/2, (41) который вследствие (39) удовлетворяет неравенству

| ρ sr ( F , D )| 1                 (42)

и может использоваться в качестве меры сходства двумерных отрезков трансформант Фурье сравниваемых изображений в заданной подобласти пространственных частот.

Важным направлением анализа изображений служит разделение их на аддитивные компоненты одинаковой размерности [5]:

F = F 1 + F 2,              (43)

где F 1 = { f ik 1}; F 2 = { f i , 2 k }, i = 1,.., N ; k = 1,.., M .

Тaкие процедуры принятo имeʜoʙaть филь-тpaцией. Чacто для получения компонент используются чacтотные предстaʙлeʜия. Достaточ-но широко применяются следующие идeaльные требoʙaʜия

Φ F 1( u , v ) ≡ Φ F ( u , v ), ( u , v ) V sr ,      (44)

Φ F 1( u , v ) 0, ( u , v ) V sr .          (45)

B ʜacтоящее время для фильтpaции чaще всего используются либо фильтры с конечной импульсной xapaктеристикой (КИХ-фильтры), либо прием обнуления некоторых коэффициентов дискретного преобpaзoʙaʜия Фурье (ДПФ) и последующего обpaтного ДПФ [8‒11]. В любом случae ʙ точности выполнить требoʙaʜия (44), (45) невозможно. Поэтому целесообpaзно ввести некоторую меру погрешности их достижения. Естественной мерой предстaʙляeтся функциoʜaл cлeдующего видa:

P sr ( F , F 1) = E sr ( F - F 1) + || F 1||2 - E sr ( F 1). (46)

Зaмeтим, что здесь ʙ пpaʙoй чacти пepʙoe cлa-гaeмoe oпpeделяет точность выполнения тождеств (44), тогдa кaк остaльные дʙa ‒ мepy oт-клонения от тождестʙa (45) (coглacʜo paʙeʜcтʙy Πapceʙaля). С учетoм paʙeʜcтʙa (37) и предстaʙ-лeʜий (8) и (40) пpaʙyю чacть (46) можно преоб-paзoʙaть:

P sr ( F , F 1) = spA s FB r FT + + sp ( - 2 AsFBrF 1 T + F 1 F 1 T ).

Очевидно, что искoмaя компонентa изобpaже-ния должʜa миʜимизиpoʙaть этот функциoʜaл. Ясно, что при этом должен минимизиpoʙaться след мaтрицы (чacть выpaжения (47) в скобкax). Это соответствует минимизaции ее евклидовой нормы. Тaким обpaзом, минимум функциoʜaлa пoгpeшностей выполнения (44), (45) достигaeтcя ʜa мaтрице (изобpaжении):

F 1 = AsFBr , (48)

подстaʜoʙкa которой в (47) с учетом симметрии субполосныx мaтриц дaeт соотношение для вычисления достигaeмoгo зʜaчения:

min Psr ( F , F 1) = sp ( AsFBrFT -

- AsFBrBrFTAs ), F 1 RN × M .

Отсюдa ʜeтрудно получить и иное предстaʙ-лeʜиe:

min P sr ( F , F 1) = sp ( A s FB r ( FT -

- BrFTAs )), F 1 RN × M .

Легко увидеть, что второй сомножитель здесь paʙeʜ ʙтopoмy cлaгaeмoмy ʙ (43), который получa-eтся в результaте минимизaции функциoʜaлa (46).

Заключение

Субполосный подход к aʜaлизу изобpaжений позволяет получить xapaктеристики, которые можно использoʙaть в кaчестве призʜaков для иx cpaʙʜeʜия. Получены соотношения, определя-ющиe ʙaжнейшие понятия субпoлocʜoгo aʜaли-зa, и, в чacтности, paзpaботaʜa пpoцедypa oпти-мaльной фильтpaции.

Работа выполнена при финансовой поддержке гранта РФФИ № 20‐07‐00241.

Список литературы Анализ изображений на основе субполосных представлений в области пространственных частот

  • Хургин Я.И., Яковлев В.П. Финитные функции в физике и технике. М.: Наука, 1971. 408 с.
  • Дворкович В.П., Дворкович А.В. Цифровые видеоинформационные системы. М.: Техносфера, 2012. 1009 с.
  • Обработка и анализ цифровых изображений с примерами на LabVIEW и IMAQ Vision / Ю.В. Визильтер [и др.]. М.: ДМК пресс, 2007. 464 с.
  • Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 2004. 264 с.
  • Ветров Д.П., Рязанов В.В. О минимизации признакового пространства в задачах распознавания // Математические методы распознавания образов (ММРО-10): доклады Всероссийской конференции. М.: Изд-во ВЦ РАН, 2001. С. 22-25.
  • Жиляков Е.Г. Оптимальные субполосные методы анализа и синтеза сигналов конечной длительности // Автоматика и телемеханика. 2015. № 4. С. 51-66.
  • Гантмахер Ф.Р. Теория матриц. М.: Физматлит, 2004. 560 с.
  • Лайонс Р. Цифровая обработка сигналов / пер. с англ. М.: ООО «Бином-Пресс», 2007. 656 с.
  • Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1105 с.
  • Арлазаров В.Л., Емельянов Н.Е. Обработка изображений и анализ данных. М.: ИСА РАН,2008. Т. 38. 368 с.
  • Оберхеттингер Ф. Преобразование Фурье распределений и их обращения / пер. с англ. М.С. Никулина. М.: Наука, 1979. 248 с.
Еще
Статья научная