Соседство - Neighborhood operation - Wikipedia

В компьютерное зрение и обработка изображений а операция по соседству - это обычно используемый класс вычислений для данных изображения, который подразумевает, что он обрабатывается в соответствии со следующим псевдокодом:

Посетите каждую точку p в данных изображения и выполните {N = окрестность или область данных изображения вокруг точки p result (p) = f (N)}

Эту общую процедуру можно применить к данным изображения произвольной размерности. Кроме того, данные изображения, к которым применяется операция, не обязательно должны быть определены в терминах интенсивности или цвета, это может быть информация любого типа, которая организована как функция пространственных (и, возможно, временных) переменных в п.

Результатом применения операции соседства к изображению снова является то, что можно интерпретировать как изображение, оно имеет тот же размер, что и исходные данные. Однако значение в каждой точке изображения не обязательно должно быть напрямую связано с интенсивностью или цветом. Вместо этого это элемент в диапазоне функции ж, который может быть произвольного типа.

Обычно окрестности N имеет фиксированный размер и представляет собой квадрат (или куб, в зависимости от размерности данных изображения) с центром в точке п. Также функция ж фиксировано, но в некоторых случаях может иметь параметры, которые могут изменяться в зависимости от п, Смотри ниже.

В простейшем случае окрестность N может быть только одна точка. Этот тип операции часто называют точечной операцией.

Примеры

В наиболее распространенных примерах операции соседства используется фиксированная функция ж который, кроме того, является линейным, то есть вычисление состоит из инвариант линейного сдвига операция. В этом случае операция соседства соответствует свертка операция. Типичным примером является свертка с фильтром нижних частот, где результат может быть интерпретирован в терминах локальных средних значений данных изображения вокруг каждой точки изображения. Другими примерами являются вычисление локальных производных данных изображения.

Также довольно часто используется фиксированная, но нелинейная функция ж. Это включает медианную фильтрацию и вычисление локальных дисперсий. Фильтр Нагао-Мацуяма является примером сложной операции локального соседства, в которой дисперсия используется в качестве индикатора однородности в группе пикселей. Результат аналогичен свертке с фильтром нижних частот с добавленным эффектом сохранения резких краев.^{[1] [2]}

Также существует класс соседних операций, в которых функция ж имеет дополнительные параметры, которые могут меняться в зависимости от п:

Посетите каждую точку p в данных изображения и выполните {N = окрестность или область данных изображения вокруг точки p result (p) = f (N, parameters (p))}

Это означает, что результат не инвариантен относительно сдвига. Примеры адаптивные Винеровские фильтры.

Аспекты реализации

Приведенный выше псевдокод предполагает, что операция соседства реализуется в виде внешнего цикла по всем точкам изображения. Однако, поскольку результаты независимы, точки изображения можно посещать в произвольном порядке или даже обрабатывать параллельно. Кроме того, в случае линейных инвариантных к сдвигу операций вычисление ж в каждой точке подразумевает суммирование произведений между данными изображения и коэффициентами фильтра. Реализация этой операции соседства затем может быть выполнена путем размещения цикла суммирования вне цикла по всем точкам изображения.

Важный вопрос, связанный с работой по соседству, - как справиться с тем фактом, что район N становится более или менее неопределенным для очков п близко к краю или границе данных изображения. Было предложено несколько стратегий:

• Вычислить результат только для баллов п для которого соответствующая окрестность определена корректно. Это означает, что выходное изображение будет несколько меньше входного.
• Нулевое заполнение: достаточно расширить входное изображение, добавив дополнительные точки за пределами исходного изображения, которые установлены на ноль. Циклы по точкам изображения, описанные выше, посещают только исходные точки изображения.
• Расширение границы: достаточно расширить входное изображение, добавив дополнительные точки за пределами исходного изображения, которые устанавливаются на значение изображения в ближайшей точке изображения. Циклы по точкам изображения, описанные выше, посещают только исходные точки изображения.
• Расширение зеркала: достаточно расширить изображение, отразив его по границам изображения. Этот метод менее чувствителен к локальным изменениям на границе изображения, чем расширение границы.
• Обтекание: изображение мозаично, так что переход от одного края к противоположной стороне изображения. Этот метод предполагает, что изображение в значительной степени однородно, например стохастический текстура изображения без больших текстонов.

Рекомендации

• Бернд Яне (1997). Практическое руководство по обработке изображений для научных приложений. CRC Press. ISBN  0-8493-8906-2.

• Бернд Яне и Хорст Хаусекер (2000). Компьютерное зрение и приложения, Руководство для студентов и практиков. Академическая пресса. ISBN  0-13-085198-1.

1. "НАГАО-МАЦУЯМА ФИЛЬТР". Аноркей. Архивировано из оригинал 17 января 2013 г.. Получено 25 августа 2012.
2. Schowengerdt, Роберт. «Шум изображения II» (PDF). Университет Аризоны. Получено 25 августа 2012.