Anisotropic diffusion in image processing
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology |
Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
2005
Major/Subject
Matematiikka
Mcode
Mat-1
Degree programme
Language
en
Pages
54
Series
Abstract
Työssä käsitellään anisotrooppista diffuusiota kuvankäsittelymenetelmänä teoreettisesti ja numeerisesti. Diffuusio on fysikaalinen ilmiö, joka tasoittaa konsentraatioeroja ilman, että samalla syntyy tai häviää massaa. Jos samastamme harmaasävykuvan intensiteetin konsentraation kanssa, voimme diffuusion avulla tasoittaa intensiteettieroja kuvassa. Asettamalla rajoitteita diffuusion suunnalle ja voimakkuudelle voimme tehostaa kuvassa haluamiamme piirteitä ja toisaalta poistaa samalla kuvasta kohinaa. Suunnistettua diffuusiota kutsutaan anisotrooppiseksi diffuusioksi. Tarkastelemme kahta hieman erilaista versiota anisotrooppisesta diffuusiosta. Toinen näistä säilyttää ääriviivat ja tasoittaa niiden sisälle jäävän alueen, joten sitä voidaan käyttää kuvien segmentointiin eli alueiden erotteluun. Kutsumme sitä reunoja tehostavaksi diffuusioksi (edge-enhancing diffusion). Toinen esitelty menetelmä yhdistää katkonaisia linjoja kuvassa. Sitä kutsutaan koherenssia tehostavaksi diffuusioksi (coherence-enhancing diffusion). Luku 2 käsittelee diffuusiomenetelmien fysikaalista perustaa ja niiden luokittelua, sekä esittelee skaala-avaruuden käsitteen, jolla on merkitystä kuva-analyysissa. Luvussa 3 määrittelemme muodon diffuusiotensorille, joka diffuusioyhtälössä määrää, mihin suuntiin ja kuinka voimakkaasti diffuusio etenee kussakin kuvan pisteessä. Diffuusiotensorin muodostamista varten esittelemme kuvien tekstuurianalyysissa paljon käytetyn työkalun, rakennetensorin, joka sisältää tietoa kuvan intensiteettivaihteluista kussakin pisteessä. Luvuissa 4 ja 5 diffuusioyhtälö diskretoidaan ajan ja paikan suhteen. Luku 6 kuvailee laskennallisia yksityiskohtia, mm. konvoluutiomaskien muodostamista. Luvussa 7 havainnollistetaan, miten kuvatut diffuusiomenetelmät käytännössä toimivat, tarkastellaan parametrien valinnan vaikutusta ja näytetään joitakin sovelluksia. Luku 8 sisältää yhteenvedon edellä käsitellyistä aiheista. Anisotrooppinen diffuusio näyttää soveltuvan hyvin tiettyihin tehtäviin, esimerkiksi sormenjäljen syiden korostamiseen epäselvässä kuvassa. Menetelmät ovat kuitenkin laskennallisesti raskaita ja lisäksi herkkiä parametrien valinnalle. Laskentatehon jatkuvan halpenemisen vuoksi niillä saattaa silti olla tulevaisuutta myös nopeutta vaativissa käytännön sovelluksissa, etenkin yhdistettynä bayesilaisiin menetelmiin, joista olisi apua parametrien valinnassa.Description
Supervisor
Somersalo, ErkkiThesis advisor
Somersalo, ErkkiKeywords
anisotropic diffusion, anisotrooppinen diffuusio, diffusion, diffuusio, image processing, kuvankäsittely, coherence-enhancing, koherenssia tehostava diffuusio, edge-enhancing, reunoja tehostava diffuusio, segmentation, segmentointi, structure tensor, rakennetensori, diffusion tensor, diffuusiotensori