Статья 'Исследование изображений динамически изменяющихся сцен в колориметрическом пространстве' - журнал 'Кибернетика и программирование' - NotaBene.ru
по
Journal Menu
> Issues > Rubrics > About journal > Authors > About the Journal > Requirements for publication > Council of Editors > Peer-review process > Policy of publication. Aims & Scope. > Article retraction > Ethics > Online First Pre-Publication > Copyright & Licensing Policy > Digital archiving policy > Open Access Policy > Article Processing Charge > Article Identification Policy > Plagiarism check policy
Journals in science databases
About the Journal

MAIN PAGE > Back to contents
Cybernetics and programming
Reference:

The study of images of dynamically changing scenes in the colorimetric space

Ipatov Yurii Arkad'evich

PhD in Technical Science

Associate Professor of the Department of Informatics at the Volga State University of Technology

424000, Russia, Mari El, Yoshkar-Ola, pl. Lenina, d. 3

philsilver@mail.ru
Other publications by this author
 

 
Totskii Aleksei Andreevich

student, Volga State University of Technology

424000, Russia, Marii El, g. Ioshka-Ola, ul. Lenina, 3, aud. 525

alex.totsky@yandex.ru

DOI:

10.7256/2306-4196.2015.4.16158

Received:

17-08-2015


Published:

25-09-2015


Abstract: The object of research is the image of a dynamically changing scene of artificial origin on the complex and statistically inhomogeneous background. The subject of research is the transformation methods and standard approaches of representation of color digital images in three dimensions. The study focuses on almost all basic colorimetric spaces used in building a clusters of object / background. Formation of the samples is carried out by the method of supervised learning. Calculation of objective indicators and comparison of subjective characteristics allows to determine the optimal color space for subsequent synthesis of algorithm for effective segmentation of this class of images. When solving the task authors used image processing techniques, probability theory, mathematical logic, mathematical statistics, the unit of mathematical analysis, linear algebra, mathematical modeling methods, theory of algorithms and methods of object-oriented programming. The novelty of the study is in determination of the optimal color space separation of clusters object / background for images of a given class. Visual characteristics of considered methods of representation of colorimetric spaces confirmed objective indicators of calculus. The main conclusions of the study is that RGB color space is the best choice for color segmentation algorithm synthesized as the representation of objects and the background form a weakly overlapping clusters.


Keywords:

dynamically changing scene, color space, color images, clustering, colorimetric model, convex hull, device-dependent color models, spot description of the scene, point description methods, recognition by points

This article written in Russian. You can find original text of the article here .

Задача обнаружения и анализа объектов на неоднородном фоне на сегодняшний день является одной из центральных при создании автоматизированных систем искусственного зрения. Однако методы и подходы решения поставленных задач могут отличаться и зависят от контекста решаемой задачи и от ряда характеристик, таких как размерность и структура данных, вычислительные и временные ограничения.

Развитие средств современных систем технического зрения и интеллектуальных методов в обработке эволюционирует в сторону динамического анализа сцен [1,2]. Как следствие повышаются требования к аппаратной и программной составляющей таких комплексов, но этот позволяет получить принципиально новый инструмент, обладающий качественно новыми показателями [3-5].

В настоящее время методы динамического выделения объектов не изучены в полной мере и на данный момент не существует универсальных подходов обработки изображений динамически изменяющихся сцен. Изображения динамически изменяющихся сцен можно часто встретить при исследованиях в различных областях научно-технической деятельности. Обнаружение изменений, сопровождение целей, динамика изменения объектов, вот некоторые примеры задач, с которыми сталкивается исследователь при их анализе. Рассмотрим примеры таких типовых изображений.

01

Рис. 1. Изображения строительства олимпийских объектов в Сочи

На рис.1. показано визуальное обнаружение изменений при строительстве олимпийских объектов в Сочи [6] на снимках K0MPSAT-3(© КАШ 2013,2014; distributed by Satrec Initiative). Первый снимок сделан 2013 году, второй в 2014 году.

02iii

Рис. 2. Изображение автоматического сопровождения объекта

На рис. 2. представлен пример динамически изменяющейся сцены, на которой выполнятся сопровождение объекта [7]. Характерной особенностью таких сцен является сложный и статистически неоднородный фон при этом объект наблюдения изменяет форму, текстуру, пространственное расположение.

На рис. 3. приведен пример сцены роста растения, которая изменятся во времени, поэтому для данного класса изображений областью интереса, является динамика изменения объектов исследования.

03i

Рис. 3. Изображение динамически изменяющейся сцены во времени

Так под динамически изменяющимися сценами (ДИС) будем понимать изображения с пространственной фиксацией положения, на которых объекты могут изменять положение, форму, текстуру и другие характеристики. В исследовании ставиться задача изучить, колориметрические пространства для определения оптимальных моделей разделения объекта и фона для ДИС.

Современное оборудование для регистрации цифровых изображений обладает качественными характеристиками при регистрации, как цветовой, так и яркостной составляющих. Цвет – это важная информативная составляющая, которую можно учитывать при анализе динамически изменяющихся сцен. В колориметрии цвет определяется как трехмерная векторная величина, характеризующая световое излучение, визуально неразличимые в колориметрических условиях наблюдения [8].

Решение большинства прикладных задач в области анализа и распознавании изображений зависит от выбора цветового пространства [9-11]. Под цветовым пространством будем пониматьгеометрическую модель цветов, воспринимаемых при наблюдении цветовых стимулов предметов. Такой выбор также определяет набор методов и процедур при последующей обработке исходных данных.

Так модель RGB является в настоящее время самой распространенной и первой, которая появилась в работах В.Д. Райта [12] и Дж. Гилда [13] на основе которых, был создан стандарт CIE 1931 цветового пространства RGB. Исследуя выборочные распределения цвета для фона и объекта в цветовых пространствах целесообразно использовать понятие кластер. Под кластером трехмерном колориметрическом пространстве, будем понимать объединение множества точек, которое могут рассматриваться как самостоятельная единица, обладающая определёнными свойствами.

Сформированные выборки образуют кластер – , который характеризует объект растительности и кластер статистически неоднородного фона – в пространстве RGB
(рис. 4, а).

04i

а

б

Рис.4. Распределение кластеров фона и объекта в цветовых пространствах:
а – RGB, б – CMY

Аппаратно-независимый стандарт CIE XYZ цветового пространства[14] возник, почти одновременно c RGB, однако цвет её основных «излучений» существует только в колориметрических уравнениях, и получить их физически невозможно. При этом координаты цвета всех возможных световых излучений будут положительными, что облегчает расчёты.

Для получения вектора XYZ существует несколько матриц преобразования систем из RGB [15,16]. Выбор матрицы преобразования зависит как от используемых основных цветов, так и от выбранного стандартного источника света, то есть от процентного состава основных цветов, необходимых для получения белого. Преобразования осуществлялся по критерию наибольшей отличительности от базового стандарта CIE XYZ 1931. Этому условию хорошо соответствует модель WideGamutRGB на графике (рис. 5) видно, что коэффициентом корреляции – 0,92, а также максимальное покрытие диаграммы цветности [17].

05i

Рис. 5. График корреляции матричного преобразования в XYZ с CIE XYZ 1931

На рис. 6, а показные исследуемые кластеры в пространстве XYZ для модели WideGamutRGB. Результаты построения таких же кластеров для моделей ProPhotoRGB и ECIRGB отличаются в пределах 5%.

06i

а

б

Рис.6. Распределение кластеров фона и объекта в цветовых пространствах:
а – XYZ, б – UVW

Аппаратно-зависимый стандарт CMY образуется по принципам субтрактивного синтеза и предназначен для вывода информации [18]. Выделится вычислительной простотой и получением проекций кластеров, без дополнительных вычислений на соответствующие плоскости (рис.4, б).

Стандартная равноконтрастная колориметрическая система UVW, характеризуется тем, что во всех участках диаграммы цветности любым парам цветов на одинаковом расстоянии соответствует одинаковый цветовой контраст [19]. Результат построения цветовых кластеров представлен на рис. 6.б.

Пространство HSV [20] (оттенок (цвет), насыщенность, значение) было создано, как естественное и близкое восприятие для человека цвета. Имеется также ряд вариантов аналогов: HSI, HSB HSL [21,22]. Данная группа цветовых пространств имеет ряд уникальных показателей [23], при котором оттенок является инвариантом определенных типов освещенности, затемнения и теней, а также при сегментации, выполнения с использованием только одной размерности, приводит в результате к меньшему количеству сегментов, чем при использовании базовых цветов.

07i

а

б

в

Рис.7. Распределение кластеров фона и объекта в цветовых пространствах:

а – HSB, б – HSI, в – HSV

На рис. 7 показаны исследуемые кластеры в пространстве тон, насыщенность и значение. Представление кластеров в данных моделях имеет ряд уникальных отличительных особенностей.

Следующий класс аппаратно-независимых и равноконтрастных пространств – это Lab, Luv и LHC [24-26]. Так компоненты abявляются нелинейным преобразованием (X,Y) CIE, а uv связаны с (X,Y)линейным преобразованием. Для LHC цилиндрические координаты этого пространства соответствуют как эмпирической системе Манселла, так и согласуются с физиологической моделью цветного зрения. При расчетах бралась точка равной энергии для Lab и Luv (0,9642, 0,8249, 1), которая является стандартным для D65 источника света.

08i

а

б

в

Рис.8. Распределение кластеров фона и объекта в цветовых пространствах:

а – Lab, б – Luv, в – LHC

На рис. 8 показаны исследуемые кластеры в пространстве светлота и двух хроматических составляющих. Кластеры незначительно пересекаются, однако построить алгоритм разделения гиперплоскостью в пространстве будет сложной задачей.

Цветовые пространства класса – Y** представляют собой перцепционные, аппаратно-зависимые пришедшие из телевидения [26,27], где есть яркостная составляющая и две цветоразностные составляющие. Так были исследованы модели: YUV, YIQ и YCrYcb. На рис. 9 показаны исследуемые кластеры, которые пересекаются в узкой пространственной области. При этом построить алгоритм разделения на два независимых кластера будет сложной алгоритмической задачей.

09i

а

б

в

Рис.9. Распределение кластеров фона и объекта в цветовых пространствах:

а – YCrCb, б – YIQ,в – YUV

Если построить минимальную выпуклую оболочку для отдельно взятых кластеров используя алгоритм QuickHull [28], то можно будет получить модель выборочного распределения в колориметрическом пространке. Принимая пространство единичного объем и рассчитав объем модели, введем коэффициент удельного объема кластеров фон/объект. В таблице, представлены результаты вычисления данного коэффициента.

Таблица

RGB

CMY

HSB

HSI

HSV

Lab

LHC

Luv

YCrCb

YIQ

YUV

XYZ

UVW

0,044

0

0,019

0,017

0,043

0,003

0,007

0,033

0,007

0,011

0,011

0,017

0,026

Сравнительный анализ по исследованным колориметрическим пространствам позволяет сделать заключение. Цветовое пространство RGB наилучшим образом подходит для синтезируемого алгоритма цветовой сегментации, поскольку представления объектов и фона образуют слабо пересекающиеся кластеры. Пространственные кластеры наиболее симметричны и вытянуты вдоль вектора яркости. Таким образом, яркость для сегментации мало информативна. Эти свойства пространства теоретически должны обеспечить наибольшую точность сегментации изображения и оценки относительной площади проективного покрытия растений. Визуальные характеристики подтверждаются, также объективным показателем коэффициента удельного объема, который имеет максимальное значение для RGB пространства.

Известны алгоритмы распознавания объектов по точечному описанию [29-31], однако их вычислительная сложность не позволяет применять для данного класса изображений. Поэтому настоящее исследование определяет оптимальное цветовое пространство для последующего синтеза алгоритма сегментации ДИС.

References
1. Luk'yanitsa A.A., Shishkin A.G. Tsifrovaya obrabotka videoizobrazhenii. – M: Ai-Es-Es Press, 2009.-518 s.
2. Yu-Jin Zhang Advances in image and video segmentation. – IRM Press: Beijing, 2006. – 473 p.
3. Mikhailov S.I. Primenenie dannykh distantsionnogo zondirovaniya Zemli dlya resheniya zadach v oblasti sel'skokhozyaistvennogo proizvodstva // Zemlya iz kosmosa — naibolee effektivnye resheniya. 2011, № 9. S. 17–23
4. K. Nummiaro, E. Koller-Meier, and L. V. Gool, “Color features for tracking non-rigid objects,” Special Issue on Visual Surveillance Chinese Journal of Automation, 2003, Pp. 345–355.
5. P.E. Debevec, C.J. Taylor and J. Malik. Modeling and rendering architecture from photographs: a hybrid ge-ometry-and image-based approach. Proc. SIGGRAPH, pp. 11-20, 1996.
6. Ivanova I. Razvitie koreiskoi gruppirovki sputnikov DZZ // Zemli iz kosmosa, 2014. № 2(18), S. 85–88.
7. http://www.uavfactory.com [Elektronnyi resurs].
8. Wyszecki G., Current developments in colorimetry, AIC Color 73, 1973., Pp. 21-51.
9. H. Palus, The Colour Image Processing Handbook, ch. Representations of colour images in different colour spaces, SJ. Sangwine, R.E.N. Home, Eds., Chapman & Hall, London; New York, 1998, pp. 67-90.
10. Chochia P. A. Sglazhivanie tsvetnykh izobrazhenii pri sokhranenii konturov na osnove analiza rasstoyanii v tsvetovom prostranstve// Matematicheskie metody raspoznavaniya obrazov, MMRO-13. – Moskva, 2007.-S. 256-258.
11. Ipatov Yu.A., Krevetskii A.V. Obrabotka i avtomaticheskii analiz izobrazhenii nazemnoi lesnoi tak-satsii. Sovremennye metody raspoznavaniya, novye modeli i effektivnye algoritmy LAP LAMBERT Academic Publishing, 2013. 184 s.
12. Wright W. D. A re-determination of the trichromatic coefficients of the spectral colors Trans. Optical Soc.-1928.-Vol. 30, no. 4.-Pp. 141-164.
13. Guild J. The colorimetric properties of the spectrum/Philosophical Trans. Royal Soc. London.-1931.-Vol. A230.-Pp. 149-187
14. Domasev M.V., Gnatyuk SP. Tsvet, upravlenie tsvetom, tsvetovye raschety i izmereniya.-SPb.: Piter, 2009.-224 s.
15. Goden Zh. Kolorimetriya pri videoobrabotke /Per. s fran. Tekhnosfera-2008.-328 s.
16. http://www.brucelindbloom.com/index.html?Eqn_RGB_XYZ_Matrix.html [Elektronnyi resurs]
17. Noboru Ohta, Alan Robertson. Colorimetry: Fundamentals and Applications. – Wiley, 2005.
18. Krasil'nikov N.N. Tsifrovaya obrabotka 2D-i 3D-izobrazhenii: uchb. posobie.-SPb: BKhV-Peterburg, 2001.-608 s.
19. Gurevich M.M. Tsvet i ego izmerenie. – Izdatel'stvo Akademii nauk SSSR, 1950.
20. Gonsales R., Vuds R. Tsifrovaya obrabotka izobrazhenii. – M.: Tekhnosfera, 2005. – 1072 s.
21. Shih T.-Y., The reversibility of six geometric color spaces, Photogrammetric Engineering & Remote Sensing, vol. 61, p. 1223-1232, 1995.
22. Munsell A., A Grammar of Color. Van Nostrand-Rcinhold. 1969.
23. Cheng, H.D. and Y.Sun, A Hierarchical Approach to Color Image Segmentation Using Homogeneity. IEEE Trans. Image Processing, 2000. 9(12): p. 2071-2082.
24. CIE. Colorimetry. Official recommendation of the international commission on illumination: Tech. Rep. 15.2 Vienna, Austria: Bureau Central de la CIE, 1986
25. Fershil'd M. D. F. Modeli tsvetovogo vospriyatiya. [Tekst]/ M.D. Fershil'd// Vtoroe izdanie.-M.:-2004. S.438.
26. V.T. Fisenko, T.Yu. Fisenko, Komp'yuternaya obrabotka i raspoznavanie izobrazhenii: ucheb. posobie.-SPb: SPbGU ITMO, 2008. –192 s.
27. A. V. Loughren. "Recommendations of the National Television System Committee for a Color Television Sig-nal." Journal of the SMPTE 60 (1953), 321-326, 596.
28. Barber, C. B., Dobkin, D. P., Huhdanpaa, H. T., The Quickhull algorithm for convex hull, GCG53, The Geometry Center, Minneapolis, 1993.
29. Ipatov Yu.A., Krevetskii A.V. Metody obnaruzheniya i prostranstvennoi lokalizatsii grupp tochechnykh ob''ektov // NB: Kibernetika i programmirovanie. — 2014.-№ 6.-S.17-25. DOI: 10.7256/2306-4196.2014.6.13642. URL: http://e-notabene.ru/kp/article_13642.html
30. V. N. Kozlov, Recognition of the images represented by final set of points, Fundamentalnaya i prikladnaya ma-tematika, vol. 15 (2009), no. 5, pp. 95–110.
31. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. – 2004. № 2(60), Pp. 91–110.
Link to this article

You can simply select and copy link from below text field.


Other our sites:
Official Website of NOTA BENE / Aurora Group s.r.o.