В данной таблице:
- - среднее время построения матрицы яркостной зависимости для одного прохода окна;
- - общее время построения всех матриц яркостной зависимости для входного изображения;
- - общее время, которое было затрачено на вычисление текстурного признака «энергия» на основе формулы (3) для всех построенных матриц яркостной зависимости;
- - общее время, которое было затрачено на вычисление текстурного признака «контраст» на основе формулы (4) для всех построенных матриц яркостной зависимости;
- - общее время, которое было затрачено на вычисление текстурного признака «энтропия» на основе формулы (5) для всех построенных матриц яркостной зависимости;
- - общее время, которое было затрачено на вычисление текстурного признака «обратный момент» на основе формулы (6) для всех построенных матриц яркостной зависимости;
- Т - общее время, которое было затрачено на все вычисления.
На основании данных таблицы 1 подтверждается факт о том, что увеличение количества используемых уровней серого ведёт к значительному увеличению времени, которое потребуется для построения матриц яркостной зависимости и вычисления текстурных признаков. Стоит отметить, что время вычисления признаков «энергии» и «энтропии» не так сильно зависит от размера матрицы, как признаки «контраста» и «обратного момента». Относительно временной оценки наилучшее количество уровней серого находится в интервале от 4 до 32.
Вычисление текстурных признаков выполнялось на той же системе и для аналогичных размеров матрицы яркостной зависимости. Полученные значения приведены в таблице 2. По данным этой таблицы видно, что значения текстурных признаков различаются в зависимости от размера матрицы яркостной зависимости, поэтому делать выводы о количестве уровней серого на основе данных значений нельзя. Однако с уверенностью можно сказать, что сравнение текстурных признаков в процессе сегментации следует выполнять на основе общего размера матрицы яркостной зависимости.
С точки зрения визуальной оценки качества сегментирования наилучший размер матрицы яркостной зависимости равен 32. Пример входного изображения представлен на рисунке 3, а примеры его сегментации на основе значений текстурных признаков (каждый сегмент раскрашивается в зависимости от значения признака) для 32 уровней серого - на рисунке 4.
Таблица 2 - Значения текстурных признаков относительно размера матрицы яркостной зависимости
|
Признак |
K = 4 |
K = 8 |
K = 16 |
K = 32 |
K = 64 |
K = 128 |
|
|
Энергия |
0.28027 |
0.06841 |
0.01535 |
0.00341 |
0.00067 |
0.00016 |
|
|
Контраст |
0.318 |
1.167 |
4.997 |
22.34 |
117.1 |
694.5 |
|
|
Энтропия |
2.152 |
4.245 |
6.394 |
8.561 |
10.85 |
12.87 |
|
|
Обратный момент |
0.845 |
0.652 |
0.430 |
0.245 |
0.119 |
0.051 |
Рисунок 3 - Пример входного изображения для тестирования сегментации
Рисунок 4 - Примеры сегментации изображения на основе значений текстурных признаков (контраст, энергия, энтропия и обратный момент)
Заключение
Выбор размера матрицы яркостной зависимости (количество уровней серого), безусловно, является важным аспектом при решении задачи сегментирования изображения, так как он напрямую влияет на качество сегментации и скорость работы программы. В рамках данной статьи было установлено, что с точки зрения производительности и визуальной эффективности сегментации наилучшим решением будет использование 32 уровней серого. При этом стоит отметить, что при оценке не учитывалось численное значение качества классификации сегментов и влияние размера скользящего окна на скорость и результаты сегментации. Данные факторы планируется учесть в будущих работах.
Библиография
1. Haralick R. M., Shanmugan K., Dinstein I. Textural Features for Image Classification // IEEE Trans. Systems, Man and Cybernetics. 1973, vol. 3, no. 6, pp. 610-621.
2. Haralick R. M. Statistical and Structural Approaches to Texture //Proceedings of the IEEE. 1979, vol. 67, no. 5, pp. 786-804.
3. Sebastian V. B., Unnikrishnan A., Balakrishnan K. Grey Level Co-occurrence Matrices: Generalisation and Some New Features // International Journal of Computer Science, Engineering and Information Technology. 2012, vol. 2, no. 2, pp. 151-157.
4. Тымчук, А. И. Анализ актуальных методов сегментации текстур на аэрофотоснимках // Автоматизированные информационные и электроэнергетические системы: Материалы V Международной научно-практической конференции (7-8 декабря 2017 года).
5. Ulaby F. T., Kouyate F., Brisco B. Textural Information in SAR Images // IEEE Trans. Geoscience and Remote Sensing. 1986, vol. GE-24, no. 2, pp. 235-245.
6. Zhao Q., Shi CZ., Luo LP., Role of the texture features of images in the diagnosis of solitary pulmonary nodules in different sizes // Chinese Journal of Cancer Research. 2014, vol. 26, no. 4, pp. 451-458.
7. Ковалёва, И. Л. Текстурные признаки изображений // Минск: Изд-во БНТУ, 2010. - 24 c.
8. Albregtsen F. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices // Image Processing Laboratory, Department of Informatics, University of Oslo. 2008, 14 p.