Выделение контуров изображения объекта интереса на переменном фоне

Алексей Валерьевич Лихачев

doi:10.17308/sait.2022.1/9204

Алексей Валерьевич Лихачев Институт автоматики и электрометрии СО РАН https://orcid.org/0000-0002-4200-5518

DOI: https://doi.org/10.17308/sait.2022.1/9204

Ключевые слова: выделение контуров на изображении, классификация пикселей по яркости, автоматическое распознавание эмоций

Аннотация

Разработан метод выделения границы объекта интереса на переменном фоне, ориентированный на автоматический анализ выражения лица человека. Из полутонового фотографического изображения извлекаются контуры бровей глаз и губ. На первом этапе проводится классификация пикселей по трём уровням яркости. Полагается, что пиксели одного из них, соответствуют коже, другого — волосам, третий же уровень составляют остальные пиксели. Для определения яркостей этих уровней применяется разработанный автором ранее алгоритм, суть которого состоит в следующем. Изображение делится на прямоугольные фрагменты. Для каждого из них проверяется гипотеза о том, что яркости его пикселей являются выборкой из распределения, которым описывается случайный шум, присутствующий на изображении (формулы были получены для нормального распределения шума). В предположении, что все пиксели любого фрагмента, для которого подтвердилась гипотеза, входят только в одну из указанных групп, яркости уровней определяются путём арифметического усреднения гипотетических математических ожиданий яркостей пикселей, принадлежащих каждой группе. Далее в процессе построчной обработки определяются границы областей, имеющих постоянную яркость. Метод был опробован на фотографиях из открытой базы, созданной в университете штата Джорджия (США). Результаты показали, что извлечённые контуры визуально хорошо соответствуют границам объектов интереса, и есть основания полагать, что они могут быть использованы для решения задачи автоматического определения эмоционального состояния человека по его портретной фотографии. Кроме того, была продемонстрирована устойчивость алгоритма по отношению к случайному шуму, величина стандартного отклонения которого не превышает 25 % от средней величины полезного сигнала.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Алексей Валерьевич Лихачев, Институт автоматики и электрометрии СО РАН

д-р техн. наук, руководитель тематической группы информатики и прикладной математики Института автоматики и электрометрии

Литература

1. Bezgulov D. A., Kuzin A. P. and Shivdchenko S. A. (2015) Algoritmicheskie metody veivlet-analiza izobrazhenii v usloviyakh apriornoi neopredelennosti na sluchainom fone [Algorithmic Methods of Wavelet Analysis of Images under Conditions of a Priori Uncertainty on a Random Background]. Nauchnoe obozrenie. Tekhnicheskie nauki. (1). P. 71–72. (in Russian)
2. Bolotov Yu. F. and Buinevich M. V. (2016) Novaya tekhnologiya vydeleniya razryvov prostranstvennogo raspredeleniya urovnei yarkosti tsifrovykh izobrazhenii na osnove funktsii Grina
[A New Technology for Detecting Discontinuities in the Spatial Distribution of Brightness Levels of Digital Images Based on the Green Function]. Informatsiya i svyaz’. (2). P. 88–93. (in Russian)
3. Daugman J. (1993) High Confidence Visual Recognition of Personsby a Test of Statistical Independence. IEEE Transactionon Pattern Analysis and Machine Intelligence. 15 (11). P. 1148–1161. DOI
4. Dudka N. A., Fatrakhmanov A. R. and Kashapov M. R. (2020) Issledovanie vozmozhnostei primeneniya neparametricheskogo kriteriya v zadache obnaruzheniya konturov na izobrazheniyakh, iskazhennykh impul’snoi pomekhoi [Investigation of the Possibilities of Using a Nonparametric Criterion in the Problem of Detecting Contours in Images Distorted by Pulse Interference]. Teoriya i praktika sovremennoi nauki. (4). P. 209–214. (in Russian)
5. Furman Ya. A. (ed.) (2003) Vvedenie v konturnyi analiz; prilozheniya k obrabotke izobrazhenii i signalov [Introduction to Contour Analysis; Applications to Image and Signal Processing]. Moscow, Fizmatlit. (in Russian)
6. Gonzalez R. C. and Woods R. E. (2008) Digital image processing. 3rd ed. New York, Prentice-Hall.
7. Gutta S. (1997) Face Recognition Using Hybrid Classifiers. Pattern Recognition. 30 (4). P. 539–553.
8. Khafizov R. G., Yarantseva T. V. and Okhotnikov S. A. (2016) Sistema raspoznavaniya rechi po konturam izobrazheniya gub [Speech Recognition System Based on Lip Image Contours]. Proektirovanie i tekhnologiya elektronnykh sredstv. (2). P. 13–17. (in Russian)
9. Kovshov E. E. and Zavistovskaya T. A. (2014) Sistema obrabotki dvizheniya gub cheloveka dlya rechevogo vvoda informatsii [Human Lip Movement Processing System for Speech Input of In-
formation]. Cloud of Science. 1 (2). P. 279–291. (in Russian)
10. Likhachev A. V. (2020) Allocation of Three Brightness Levels on a Noisy Image. Numerical Methods and Programming. 21 (2). P. 180–186. DOI
11. Mestetskii L. M. (2009) Nepreryvnaya morfologiya binarnykh izobrazhenii: figury, skelety, tsirkulyary [Continuous Morphology of Binary Images: Figures, Skeletons, Circulars]. Moscow, Fizmatlit. (in Russian)
12. Moghaddam B. and Pentland A. (1994) Face recognition using view based and modular eigenspaces. Automatic Systems for the identification and inspection of humans, SPIE. 2257. P. 357–384.
13. Pantyukhin M. A., Samoilin E. A., Belyaev R. V. and Nagalin A. V. (2016) Sposob prostranstvennoi adaptatsii gradientnykh masok dlya okonturivaniya ob”ektov na zashumlennykh izobrazheniyakh [Spatial Adaptation Method of Gradient Masks to Segment Countours of Objects on the Noised Images]. Radiotekhnika. (8). P. 26–31. (in Russian)
14. Samoilin E. A. and Karpov S. A. (2018) Programmnaya model’ dlya issledovaniya effektivnosti protsedur vydeleniya konturov zashumlennykh izobrazhenii [A software model for investigating the effectiveness of procedures for isolating the contours of noisy images]. Programmnye produkty i sistemy. (4). (in Russian)
15. Sirota A. A. and Solomatin A. I. (2009) Detection and Estimation of Brightness Difference Parameters in Object Boundary Analysis. Optoelectronics, Instrumentation and Data Processing. 45 (5). P. 428–436. DOI
16. Tian B., Li Zhen, Zhang Meimei, Huang Lei, Qiu Y., Li Zhixian and Tang P. (2017) Mapping Thermokarst Lakes on the Qinghai-Tibet Plateau Using Nonlocal Active Contours in Chinese GAOFEN-2 Multispectral Imagery. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing. 10 (5). P. 1687–1700. DOI
17. Wildes R. P. (1997) Iris Recognition: an Emerging Biometric Technology. Proceedings of the IEEE. 85 (9). P. 1348–1363. DOI
18. Wu T. Y. and Lin S. F. (2013) A Method for Extracting Suspected Parotid Lesions in CT Images Using Feature-based Segmentation and Active Contours Based on Stationary Wavelet Transform. Measurement Science Review. 13(5). P. 237–247. DOI
19. Yu Z., Wang J. and Lu G. (2019) Optimized self-adapted contrast enhancement algorithm for wafer contour extraction. Multimedia Tools and Applications. 78(22). P. 32087–32108. DOI
20. Yusupov O. R. (2017) Effektivnyi metod lokalizatsii raduzhnoi obolochki glaz, osnovannyi na segmentatsii tekstury [An effective method of localization of the iris based on texture segmentation]. Nauchnyi vestnik SamGU. 101(1). P. 53–58. (in Russian)