Изображения с помощью 2d двп разложена на пространственно

1.5.1. Обнаружение контуров изображения на основе улучшенного оператора Канни
Оператор Канни представляет собой многомасштабный алгоритм обнаружения краёв, предложенный Джоном F. Канни в 1986 году. Алгоритм сначала использует фильтр Гаусса для сглаживания изображения, затем рассчитывает амплитуду и направление градиента сглаженного изображения, а также выполняет максимальное подавление, наконец, обнаруживает и соединяет края [81, 158].
Однако традиционный оператор Канни извлекает только градиенты направления и в окрестностях . Этот метод теряет некоторую важную информацию о краях в направлении наклона (45゜и 135゜). Для решения этой задачи мы используем метод расчета исходной информации о градиенте и информации о направлении наклона для определения величины градиента пикселя. Этот метод учитывает как точность определения местоположения, так и помехоустойчивость.
Для каждого пикселя частичные производные по , для и представлены следующим образом:
; ;
; .
Величина градиента
.
Направление градиента
.
При использовании оператора Канни для распознавания кромок выбор верхнего и нижнего порога также важен, что напрямую определяет количество информации о кромке. Начальная точка края обычно определяется высоким порогом. Чем меньше высокий порог, тем больше информации о зарезервированных краях, но псевдо-краев также будет больше. Напротив, чем выше порог, тем более эффективным будет порог, но можем потерять некоторую важную информацию о крае.
Для получения более полной информации, исходя из [78, 120], в качестве стандартного отклонения средней амплитуды градиента всего изображения и стандартного отклонения амплитуды градиента всех пикселей на изображении берем среднюю амплитуду градиента в качестве высоких пороговых параметров. Высокий порог определяется следующим образом:
; ;
,
где – общее количество пикселей; – градиент пикселей;
– параметр настройки, в основном для того, чтобы избежать прямого добавления и , что приведет к потере некоторых деталей края изображения. Эксперименты показывают, что при эффект определения границ является почти идеальным. Для того чтобы уменьшить трудоемкость расчета нижний порог принимается равным: .
Следующие примеры являются результатом обработки урологического изображения. На рисунке 1.6 показан контур, выделенный этим подходом.

Рисунок 1.6 – Пример определения границ. a) и c) оригиналы; b) и d) контуры объектов, полученные указанным выше алгоритмом Преобразование сдвига (шиарлет) также позволяет получить карту контуров интересующего объекта с большей точностью (в среднем на 3-8%).
Для дальнейшего объективного анализа влияния алгоритмов обнаружения краев мы принимаем непрерывное соотношение пикселей краев для анализа эффективности каждого метода обнаружения. Показатель определяется следующим образом:

где – представляет общее количество последовательных краевых пикселей граничного изображения; – представляет общее количество пикселей граничного изображения. Чем больше , тем лучше непрерывность края и изображение края.
В табл. 1 и 2 использовали R в качестве показателя объективной оценки. Чем больше R, тем лучше непрерывность краев изображений. Мы рассчитали значения R изображения края на рисунке 1.6 и результаты приведены в табл. 1 и 2. Данные показывают, что непрерывность ребер нашего метода сдвига лучше, чем показывают другие алгоритмы.
Таблица 1
Результат определения (рис. 1.7, b).

	Собела	Канни	Вейвлет	Шеарлет	Разработанный метод
CEN	10496	18360	36142	21850	31280
TEN	13580	36582	41952	25998	33940
R	0,7729	0,5018	0,8615	0,8404	0,9216

Таблица 1
Результат определения (рис. 1.7, d).

	Собела	Канни	Вейвлет	Шиарлет	Разработанный метод
CEN	93860	13924	14197	12848	21794
TEN	11088	16362	16001	14078	22943
R	0,8465	0,8509	0,8872	0,9126	0,9499