Никоноров А.В. Коррекция искажений многоспектральных изображений на основе модели спектрально-контурных элементов

PDF, 332 kB

DOI: 10.18287/0134-2452-2014-38-2-304-313

Страницы: 304-313.

Аннотация:
Рассматривается задача коррекции искажений на многоспектральных изображениях. Предложен новый подход к коррекции, основанный на идентификации корректирующего преобразования в пространстве спектрально-контурных элементов с метрикой Хаусдорфа. Сформулировано и теоретически обосновано необходимое условие корректируемости. Показано, что оптимизационная задача построения корректирующего преобразования может быть сведена к последовательности задач метода наименьших квадратов (МНК) c ограничениями. Экспериментальное сравнение предложенного подхода с алгоритмом на основе модели Retinex показало более высокое качество результатов коррекции на основе предложенного подхода для задач цветовой коррекции.

Ключевые слова :
обработка изображений, цветовая коррекция, дихроматическая модель, модель спектрально-контурных элементов, метрика Хаусдорфа, МНК с ограничениями, Retinex.

Литература:

  1. Zhuravlev, Yu.I. An Algebraic Approach to Recognition and Classification Problems / Yu.I. Zhuravlev // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. – 1998. – V. 8. – P. 59-100.
  2. Пытьев, Ю.П. Методы морфологического анализа изображений / Ю.П. Пытьев, А.И. Чуличков. – М.: Физматлит, 2010. – 335 с.
  3. Методы компьютерной обработки изображений / М.В. Гашников, Н.И. Глумов., Н.Ю. Ильясова, В.В. Мяс­ни­ков, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Хра­мов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фурсов; под ред. В.А.Сойфера. – М.: Физматлит, 2003. – 784 с.
  4. Рудаков, К.В. Об алгебраической теории универсальных и локальных ограничений для задач классификации // Распознавание, классификация, прогноз. – 1989. – С. 176-201.
  5. Gurevich, I.B. Descriptive Approach to Image Analysis: Image Models / I.B. Gurevich, V.V. Yashina // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. – 2008. – V. 18(4). – P. 518-541.
  6. Ritter, G.X. Handbook of Computer Vision Algorithms in Image Algebra / G.X. Ritter, J.N. Wilson. – CRC Press Inc., 2001.
  7. Michaelsen, E. Extraction of building polygons from SAR images: Grouping and decision-level in the GESTALT system / E. Michaelsen, U. Stilla, U. Soergel, L.J. Doktorski // Pattern Recognition Letters. – 2010. – V. 31(10). – P. 1071-1076.
  8. Sternberg, S.R. An overview of Image Algebra and Related Architectures, Integrated Technology for parallel Image Processing. – London: Academic Press, 1985.
  9. Serra, J. Image Analysis and Mathematical Morphology. – USA, Academic Press, Inc., 1983.
  10. Fergus, R. Removing Camera Shake From A Single Photograph / R. Fergus, B. Singh, A. Hertzmann, S.T. Roweis, W.T. Freeman // ACM Transactions on Graphics, SIGGRAPH’06. – 2006. – V. 25(3). – P. 787-794.
  11. Geraud, T. Color image segmentation based on automatic morphological clustering / T. Geraud, P.-Y. Strub, J. Darbon // IEEE Proc., Inter. Conf. on Image Processing, Thessaloniki, Greece. – 2001. – V. 3. – P. 70-73.
  12. Nieuwenhuis, C. Spatially Varying Color Distributions for Interactive Multi-Label Segmentation / C. Nieuwenhuis, D. Cremers // IEEE Transactions on Pattern Analysis and Machine Intelligence – 2013. – V. 35(5). – P. 1234-1247.
  13. Land, E. The retinex theory of color vision // Scientific American. – V. 237(6). – P. 108-128.
  14. Brainard, D.H. Analysis of the retinex theory of color vision / D.H. Brainard, B.A. Wandell // JOSA. – 1986. – V. 3(10). – P. 1651-1661.
  15. Margulis, D. Modern Photoshop Color Workflow – The Quartertone Quandary, the PPW, and Other Ideas for Speedy Image Enhancement. – MCW Publishing, 2013. – 480 p.
  16. Moreno, A. Color Correction: A Novel Weighted Von Kries Model Based on Memory Colors / A. Moreno, B. Fernando, B. Kani, S. Saha, S. Karaoglu // CCIW'11 Third international conference on Computational color imaging. – 2011. – P. 165-175.
  17. Gijsenij, A. Computational Color Constancy: Survey and Experiments / A. Gijsenij, T. Gevers, J. van de Weijer // IEEE Transactions on Image Processing. – 2011. – V. 20(9). P. 2475-2478.
  18. Баврина, А.Ю. Моделирование видеоинформационного тракта оптико-электронных систем дистанционного зондирования земли: решения, проблемы и задачи / А.Ю. Баврина, В.В. Мясников, В.В. Сергеев, Е.В. Трещёва, Н.В. Чупшев // Компьютерная оптика. – 2012. – Т. 36, № 4. – С. 572-585.
  19. Сергеев, В.В. Оценивание пространственно-зависимых искажений с использованием параметризованных моделей / В.В. Сергеев, В.А. Фурсов, М.В. Максимов // III международная конференция «Распознавание образов и анализ изображений: новые информационные технологии» (РОАИ-97): труды конференции. Ч. 1. – Нижний Новгород, 1997. – С. 252-255.
  20. Nikonorov, A. Illuminant color correction, using color shape units method // 11th International Conference on Pattern Recognition and Image Analysis: New Information Technologies. Samara. – 2013. – V. I. – P. 276-279.
  21. Bibikov, S. Recognition of Artifacts in Digital Images Using Conjugacy Indicator / S. Bibikov, V. Fursov, A. Nikonorov, P. Yakimov // 8th Open German-Russian Workshop “Pattern Recognition and Image Understanding”. – Nizhny Novgorod, 2011. – P. 21-24.
  22. Фурсов, В.А. Адаптивная идентификация по малому числу наблюдений // Приложение к журналу «Информационные технологии». – 2013. – № 9. – 32 c.
  23. Джадд, Д. Цвет в науке и технике / Д. Джадд, Г. Вышецки. – М.: Мир, 1978. – 580 с.
  24. Cheng, H.D. Color Image Segmentation: Advances & Prospects / H.D. Cheng, X.H. Jiangm, Y. Sun, J.L. Wang // Pattern Recognition. – 2001. – V. 34(12). – P. 2259-2281.
  25. Chakrabarti, A. Computational Color Constancy with Spatial Correlations / A. Chakrabarti, K. Hirakawa, T. Zickler // TR-09-10. – Cambridge, Harvard University, 2013. – 13 p.
  26. Salvador, E. Shadow segmentation and tracking in real-world conditions // PhD Thesis. – EPFL. – 2004. – 194 p.
  27. Klinker, G.J. The measurement of highlights in color images / G.J. Klinker, S.A. Shafer, T. Kannade // International Journal of Computer Vision. – 1988. – V. 2. – P. 7-32.
  28. Pan, Z. Properties of Self-Replicating Cellular Automata Systems Discovered Using Genetic Programming / Z. Pan, J. Reggia, D. Gao // Advances in Complex Systems. – 2007. – V. 10(1). – P. 61-84.
  29. Rosin, P.L. Training Cellular Automata for Image Processing // IEEE Transactions on Image Processing. – 2006. – V. 15(7). – P. 2076-2087.
  30. Волотовский, С.Г. Система технического зрения для распознавания номеров железнодорожных цистерн с использованием модифицированного коррелятора в метрике Хаусдорфа / С.Г. Волотовский, Н.Л. Казанский, С.Б. Попов, Р.В. Хмелёв // Компьютерная оптика. – 2005. – Вып. 27. – С. 177-185.
  31.  Llanas, B. Efficient Computation of the Hausdorff Distance Between Polytopes by Exterior Random Covering // Computational Optimization and Applications. – 2005. – V. 30 – P. 161-194.
  32. Lawsen, Ch.L. Solving Least Squares Problems / New Jersey: Prentice-Hall, Inc., Englenood Cliffs, 1974. – 320 p.
  33. Limare, N. Retinex Poisson Equation: a Model for Color Perception / N. Limare, A.B. Petro, C. Sbert, J.M. Morel // Image Processing On Line. – 2011.
  34. Torr, P. The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix / P. Torr, D. Murray // International Journal of Computer Vision. – 1997. – V. 24(3). – P. 271-300.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20