СПОСОБ СЕГМЕНТАЦИИ ЦИФРОВОГО ИЗОБРАЖЕНИЯ (ВАРИАНТЫ)

Изобретения относятся к области цифровой обработки изображений и используются для выделения целевого объекта из фонового изображения путем сегментации исходного изображения. Сегментация является одной из наиболее важных задач в системах машинного зрения, которые применяются во многих научно-технических и производственных отраслях: медицине, металлографии, аэрофотосъемке, робототехнике, дефектоскопии, системах безопасности и охраны правопорядка и других. Подобные системы широко используются в задачах разделения изображения на сегменты для их дальнейшего распознавания. Представляемые способы позволяют повысить быстродействие процесса поиска объектов и поэтому могут быть использованы в системах с ограниченными ресурсами.

Известен способ выделения данных об изображении объекта переднего плана на основе данных о цвете и глубине (патент РФ RU 2426172 C1, опубликованный 10.08.2011). Способ заключается в выделении данных об изображении объекта из последовательности видеокадров на основании выделения фона, не содержащего данных об изображении объекта, и последовательности данных о глубине изображения. Недостатком данного способа является то, что для его реализации необходима специальная система, включающая в себя две цифровые видеокамеры, удаленные одна от другой и выполненные с возможностью съемки сцены в стереоформате.

Известен способ, изложенный в патенте РФ RU 2395787 С2, опубликованном 27.07.2010. Способ обнаружения объектов содержит этапы получения кадров, инициализации фонового кадра, инициализации порогового кадра. Далее для каждого из полученных кадров осуществляют сегментацию путем вычисления разности между текущим кадром и фоновым кадром, бинаризации с пороговым кадром и пространственной фильтрации. Недостатком данного способа является необходимость в предварительном получении фонового кадра на основе кадров видеопоследовательности, что не позволяет использовать данный способ для динамически изменяющегося фона и для статических изображений.

Известен способ сегментации изображений путем поиска минимума ценовых функций, заявленный в патенте РФ RU 2489752 С2, опубликованный 10.08.2013, заключающийся в том, что осуществляется оптимальная сегментация изображения, при которой достигается глобальный минимум суммы ценовых функций швов и данных изображения, близкая к абсолютно-оптимальной при отсутствии необходимости в дополнительных ресурсах памяти мобильного устройства, устойчивости к шумам в изображении и быстродействии. Результат достигается тем, что сегментацию осуществляют в один этап от более грубой к более детализированной, а поиск производят на n-количестве уровней детализации исходного изображения, на каждом уровне детализации изображение разделяют на области, для каждой области путем n-количества последовательных итераций назначают единое значение сегментации, подсчитывают значение ценовой функции швов на границах областей при разных вариантах сегментации изображения и для каждой области выбирают значение сегментации, приводящее к минимизации суммы ценовых функций швов и данных. Однако, такой способ не всегда обеспечивает точное выделение объекта на изображении, поскольку он предназначен для осуществления оптимальной сегментации для решения задач улучшения качества результирующего изображения панорамной съемки, полученного из нескольких исходных снимков.

Способом, выбранным в качестве прототипа, является способ сегментации растровых изображений на основе выращивания и слияния областей, представленный в патенте РФ RU 2440609 С1, опубликованный 20.01.2012. Техническим результатом данного способа является повышение качества сегментации. В способе производят начальную избыточную сегментацию с помощью выращивания областей до полного заполнения ими площади изображения с использованием информации о цвете, осуществляют пошаговый процесс слияний областей с возможностью использования текстурной информации, рассчитывают многомасштабное градиентное изображение с использованием метода вычисления вейвлет-статистики, при определении центров кристаллизации с помощью поиска минимумов градиентного изображения используют морфологическую заливку и квантование уровней, производят вычисление вейвлет-статистики для получения текстурной информации, которую одинаково используют как при попиксельном выращивании областей, так и при слиянии областей, при поиске оптимального шага окончания слияний областей определяется максимум скорости роста последовательности значений функции стоимости слияний, вычисленных на всем диапазоне слияний областей.

Недостатком данного способа является вычислительная сложность осуществления сегментации изображения вследствие применения трудоемких действий, направленных на улучшение результата сегментации: начальной избыточной сегментации с помощью выращивания областей, пошагового процесса слияний областей, расчета многомасштабного градиентного изображения с использованием метода вычисления вейвлет-статистики.

Решение технической задачи предложенным в данной заявке способом заключается в упрощении процесса сегментации изображения за счет применения вычисления особых точек вейвлет-преобразования.

Решение технической задачи в первом варианте способа сегментации цифрового изображения, заключающемся в бинаризации цифрового изображения, при котором одним цветом на бинарном цифровом изображении выделяют фон, а другим цветом - объекты, имеющиеся на фоне, и в последующей сегментации бинарного цифрового изображения, достигается тем, что получение бинарного цифрового изображения осуществляют путем выделения особых точек вейвлет-преобразования цифрового изображения, для чего осуществляют вейвлет-разложение цифрового изображения на нескольких уровнях детализации цифрового изображения, каждый пиксель цифрового изображения рассматривают как возможную особую точку цифрового изображения, вычисляя его вес на основании вейвлет-коэффициентов вейвлет-преобразования цифрового изображения, далее формируют бинарное цифровое изображение, отмечая на нем пиксели, соответствующие по местоположению полученным особым точкам вейвлет-преобразования цифрового изображения, вес которых превышает заданное пороговое значение веса, подобранное таким образом, что особые точки вейвлет-преобразования цифрового изображения концентрируются на объекте цифрового изображения и отсутствуют на фоне цифрового изображения, далее осуществляют сегментацию бинарного цифрового изображения при помощи поиска связных компонент пикселей цифрового изображения путем объединения только таких граничащих друг с другом пикселей бинарного цифрового изображения, которые соответствуют пикселям объектов бинарного цифрового изображения, в отдельные классы эквивалентности пикселей цифрового изображения, определяя классы эквивалентности пикселей цифрового изображения и присваивая пикселям бинарного изображения метки, соответствующие классам эквивалентности пикселей цифрового изображения, анализируя каждый пиксель бинарного цифрового изображения один раз: если при маркировании пикселя бинарного цифрового изображения выясняют, что ему уже была присвоена метка класса эквивалентности пикселей цифрового изображения и значение этой метки класса эквивалентности пикселей цифрового изображения меньше значения присваиваемой метки класса эквивалентности пикселей цифрового изображения, то осуществляют перемаркирование всех пикселей бинарного цифрового изображения, принадлежащих классу эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения, при помощи метки класса эквивалентности пикселей цифрового изображения с меньшим значением, а также объединение класса эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения с классом эквивалентности с меньшим значением метки класса эквивалентности пикселей цифрового изображения в один класс эквивалентности пикселей цифрового изображения с меньшим значением метки класса эквивалентности пикселей цифрового изображения, после осуществления анализа всех пикселей цифрового изображения формируют новое цифровое изображение, на котором отмечают пиксели, имеющие метки классов эквивалентности пикселей цифрового изображения, и рассматривают полученное цифровое изображение как цифровое изображение, разделенное на сегменты и содержащее объекты исходного цифрового изображения и не содержащее фона исходного цифрового изображения.

Решение технической задачи во втором варианте способа сегментации цифрового изображения, заключающемся в бинаризации цветного изображения, при котором одним цветом на бинарном цифровом изображении выделяют фон, а другим цветом - объекты, имеющиеся на фоне, и в последующей сегментации бинарного цифрового изображения, достигается тем, что получение бинарного цифрового изображения осуществляют путем выделения особых точек вейвлет-преобразования цифрового изображения, для чего осуществляют вейвлет-разложение цифрового изображения на нескольких уровнях детализации цифрового изображения, каждый пиксель цифрового изображения рассматривают как возможную особую точку цифрового изображения, вычисляя его вес на основании вейвлет-коэффициентов вейвлет-преобразования цифрового изображения, далее формируют бинарное цифровое изображение, отмечая на нем только такие пиксели цифрового бинарного изображения, которые не соответствуют по местоположению полученным особым точкам вейвлет-преобразования цифрового изображения, вес которых превышает заданное пороговое значение веса, подобранное таким образом, что особые точки вейвлет-преобразования цифрового изображения концентрируются на контурах объекта цифрового изображения и отсутствуют на фоне цифрового изображения, далее осуществляют сегментацию бинарного цифрового изображения при помощи поиска связных компонент пикселей цифрового изображения путем объединения только таких граничащих друг с другом пикселей бинарного цифрового изображения, которые не соответствуют пикселям контуров объектов бинарного цифрового изображения, в отдельные классы эквивалентности пикселей цифрового изображения, определяя классы эквивалентности пикселей цифрового изображения и присваивая пикселям бинарного цифрового изображения метки, соответствующие классам эквивалентности пикселей цифрового изображения, анализируя каждый пиксель бинарного цифрового изображения один раз: если при маркировании пикселя бинарного цифрового изображения выясняют, что ему уже была присвоена метка класса эквивалентности пикселей цифрового изображения и значение этой метки класса эквивалентности пикселей цифрового изображения меньше значения присваиваемой метки класса эквивалентности пикселей цифрового изображения, то осуществляют перемаркирование всех пикселей бинарного цифрового изображения, принадлежащих классу эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения, при помощи метки класса эквивалентности пикселей цифрового изображения с меньшим значением, а также объединение класса эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения с классом эквивалентности с меньшим значением метки класса эквивалентности пикселей цифрового изображения в один класс эквивалентности пикселей цифрового изображения с меньшим значением метки класса эквивалентности пикселей цифрового изображения, после осуществления анализа всех пикселей цифрового изображения формируют новое цифровое изображение, на котором отмечают пиксели цифрового изображения, соответствующие контурам объекта цифрового изображения, и все совокупности пикселей каждого класса эквивалентности пикселей цифрового изображения, кроме совокупности пикселей класса эквивалентности пикселей цифрового изображения, в который входит наибольшее число пикселей цифрового изображения и который считают соответствующим пикселям фона цифрового изображения.

Достоинством способа сегментации при помощи вейвлет-преобразования для обоих вариантов способа является возможность выделения наиболее значимых объектов на изображении, не учитывая объекты небольшого размера. В предлагаемом способе сегментации предлагается осуществлять сегментацию только за счет применения математического аппарата вейвлет-преобразования для поиска особых точек, что позволяет ускорить процесс сегментации, а также предоставляет возможность осуществить несложную аппаратную реализацию данного способа.

На фиг.1 представлено устройство, с помощью которого может быть осуществлен предлагаемый способ по первому и второму варианту. Оно содержит: 1 - центральный процессор, 2 - блок оперативной памяти, 3 - накопитель на магнитном диске, 4 - видеомонитор, 5 - компьютерную мышь, 6 - клавиатуру. Входы центрального процессора 1 соединены с выходами блока оперативной памяти 2, накопителя на магнитном диске 3, компьютерной мыши 5 и клавиатуры 6. Выходы центрального процессора 1 соединены с входами блока оперативной памяти 2, накопителя на магнитном диске 3 и видеомонитора 4.

На фиг.2 представлено исходное цифровое изображение, содержащее объект на фоне.

На фиг.3 представлено цифровое изображение, представляющее результат применения вейвлет-разложение исходного цифрового изображения как на фиг.2 до второго уровня детализации вейвлет-преобразования цифрового изображения согласно первому и второму вариантам способа, где 7 - усредненное цифровое изображение второго уровня вейвлет-преобразования цифрового изображения фиг.2, 8 - вертикальные детализирующие коэффициенты второго уровня вейвлет-преобразования цифрового изображения фиг.2, 9 - горизонтальные детализирующие коэффициенты второго уровня вейвлет-преобразования цифрового изображения фиг.2, 10 - диагональные детализирующие коэффициенты второго уровня вейвлет-преобразования цифрового изображения фиг.2, 11 - горизонтальные детализирующие коэффициенты первого уровня вейвлет-преобразования цифрового изображения фиг.2, 12 - вертикальные детализирующие коэффициенты первого уровня вейвлет-преобразования цифрового изображения фиг.2, 13 - диагональные детализирующие коэффициенты первого уровня вейвлет-преобразования цифрового изображения фиг.2.

На фиг.4 представлено бинарное цифровое изображение, где 14 - совокупность пикселей, соответствующих особым точкам вейвлет-преобразования цифрового изображения фиг.2, отмечена черным цветом, и 15 - совокупность пикселей, соответствующих фону цифрового изображения фиг.2, отмечена белым цветом.

На фиг.5 представлено бинарное цифровое изображение, где согласно первому и второму вариантам способа меткой «0» помечены пиксели бинарного цифрового изображения, принадлежащие фону, меткой «1» помечены пиксели бинарного цифрового изображения, принадлежащие объектам на фоне согласно первому и второму вариантам способа.

На фиг.6 представлено бинарное цифровое изображение, где согласно первому и второму вариантам способа меткой «0» помечены пиксели бинарного цифрового изображения, принадлежащие фону, метками с числовыми значениями больше 0 помечены пиксели бинарного цифрового изображения, принадлежащие различным объектам, выделенным на фоне, порядок нахождения которых соответствует значению метки пикселей цифрового изображения.

На фиг.7 представлено цифровое изображение, где 16 - сегмент цифрового изображения фиг.2.

На фиг.8 представлено результирующее цифровое изображение, на котором согласно первому варианту способа отображен объект исходного цифрового изображения фиг.2

На фиг.9 представлено бинарное цифровое изображение, где 17 - совокупность пикселей, соответствующих особым точкам вейвлет-преобразования цифрового изображения фиг.2, отмечена белым цветом, и 18 - совокупность пикселей, соответствующих фону цифрового изображения фиг.2, отмечена черным цветом.

На фиг.10 представлено результирующее цифровое изображение, на котором согласно второму варианту способа отображен объект исходного цифрового изображения фиг.2.

Алгоритм работы центрального процессора 1 для осуществления первого варианта заявленного способа сегментации цифрового изображения приведен в приложении 1 к заявке.

Алгоритм работы центрального процессора 1 для осуществления второго варианта заявленного способа сегментации цифрового изображения приведен в приложении 2 к заявке.

Рассмотрим осуществление предлагаемого способа сегментации цифрового изображения согласно первому варианту способа. Данный способ заключается в бинаризации цифрового изображения и его последующей сегментации. Под цифровым изображением в данном случае понимают цветное растровое цифровое изображение, которое представляет собой двумерную дискретную функцию f(x, у) дискретных величин x, y, которая представляет собой цифровой сигнал значений интенсивности цвета, представленного в каком-либо цветовом пространстве, в точках плоскости, где x и y - координаты пикселя. Пиксель - это наименьший логический элемент двумерного цифрового изображения в растровой графике. Под бинарным изображением понимают цифровое растровое изображение, когда каждый пиксель может представлять только один из двух цветов.

В качестве входных данных для сегментации цифрового изображения используют цифровые растровые изображения, которые предварительно получены с любого цифрового устройства получения цифровых растровых изображений и сохранены на накопителе на магнитном диске 3. Программу сегментации цифрового изображения предварительно сохраняют также на накопителе на магнитном диске 3.

Сначала производят включение устройства, блок-схема которого приведена на фиг.1, в сеть питания. Затем осуществляют загрузку программы, являющейся инструкцией для центрального процессора 1 по выполнению действий для осуществления сегментации цифрового изображения согласно алгоритма, приведенного в приложении 1 к заявке, в блок оперативной памяти 2 при помощи сигналов от компьютерной мыши 5 и клавиатуры 6. Далее при помощи выполнения инструкций загруженной программы сегментации цифрового изображения на центральном процессоре 1 осуществляют загрузку цифрового изображения, например, как на фиг.2, с накопителя на магнитном диске 3 в блок оперативной памяти 2 при помощи управляющих сигналов от компьютерной мыши 5 и клавиатуры 6. Далее посредством центрального процессора 1 в блоке оперативной памяти 2 осуществляют получение бинарного цифрового изображения при помощи вейвлет-преобразования цифрового изображения на нескольких уровнях детализации изображения.

Вейвлет-преобразование сигнала - это его представление в виде обобщенного ряда или интеграла Фурье по системе базисных функций.

Индекс i служит для идентификации направления вейвлетов по горизонтали, вертикали и диагонали. Дискретное вейвлет-преобразование изображения f(x,y) определяется следующим образом.

В данном случае j₀ - произвольный начальный масштаб, W_φ, усредненное изображение, например, как на фиг.3 усредненное цифровое изображение 7 для второго уровня вейвлет-преобразования цифрового изображения фиг.2, коэффициенты определяют горизонтальные, вертикальные и диагональные детализирующие коэффициенты масштабов j вейвлет-преобразования цифрового изображения. Например, на фиг.3 представлены горизонтальные детализирующие коэффициенты 8, вертикальные детализирующие коэффициенты 9 и диагональные детализирующие коэффициенты 10 второго уровня вейвлет-преобразования цифрового изображения фиг.2, горизонтальные детализирующие коэффициенты 11, вертикальные детализирующие коэффициенты 12 и диагональные детализирующие коэффициенты 13 первого уровня вейвлет-преобразования цифрового изображения фиг.2. Исходное цифровое изображение f(x,y) может быть восстановлено по данным коэффициентам W_φ, и при помощи обратного дискретного вейвлет-преобразования цифрового изображения. Полученное усредненное цифровое изображение W_φ, подвергают повторному вейвлет-преобразованию заданное количество раз и, таким образом, получают разложение цифрового изображения на вейвлет-коэффициенты вейвлет-преобразования цифрового изображения на нескольких уровнях детализации вейвлет-преобразования цифрового изображения. Например, для осуществляют вейвлет-преобразование цифрового изображения фиг.2 до второго уровня детализации вейвлет-преобразования цифрового изображения и получают цифровое изображение как на фиг.3.

После этого при помощи центрального процессора 1 осуществляют поиск особых точек вейвлет-преобразования цифрового изображения в блоке оперативной памяти 2.

Особыми точками называют те точки цифрового изображения, которые содержат основную информацию о цифровом изображении. Особые точки обычно располагаются в местах сильного перепада яркости пикселей цифрового изображения, на границах и краях объектов. Особой точкой х′ изображения называется точка, чья окрестность отличается от окрестностей близлежащих точек по выбранной мере, т.е. , где Ω_x - окрестность точки х. В данном случае особой точкой вейвлет-преобразования цифрового изображения считают точку, вес которой превышает заданное пороговое значение веса.

Для каждого пикселя исходного цифрового изображения вводят понятие веса:

где W_i(f(x,y)) - вес точки на i-ом уровне детализации, dh_i(x,y) - горизонтальный коэффициент i-ого уровня, dν_i(x,y) - вертикальный коэффициент i-ого уровня, dd_i(x,y) - диагональный коэффициент i-ого уровня.

На первом шаге все веса равны 0. Затем осуществляют вейвлет-преобразование цифрового изображения до n-о уровня детализации цифрового изображения, подсчитывают начальный вес особой точки по формуле (6), и производят рекурсивный переход на (n-1)-й уровень детализации цифрового изображения. На этом уровне получают 4 дочерних точки цифрового изображения. Вес каждой из этих точек цифрового изображения добавляют к весу родительской точки предыдущего уровня детализации цифрового изображения. Производят корректировку веса особой точки в соответствии с формулой (7) и рекурсивный переход на предыдущий уровень вейвлет-преобразования цифрового изображения.

Вышеуказанные действия повторяют для всех уровней вейвлет-преобразования цифрового изображения. Окончательный вес точки цифрового изображения определяют суммой вейвлет-коэффициентов предыдущих уровней (7).

После сортировки особых точек цифрового изображения по убыванию весов при помощи центрального процессора 1 выбирают особые точки цифрового изображения с весами, большими заданного порогового значения, подобранного таким образом, что особые точки концентрируются на объекте и отсутствуют на фоне. Затем в блоке оперативной памяти 2 при помощи центрального процессора 1 формируют бинарное цифровое изображение, отмечая на нем в качестве пикселей объекта цифрового изображения пиксели, соответствующие по местоположению полученным особым точкам цифрового изображения, например, как на фиг.4. Цифровое изображение, полученное в результате бинаризации цифрового изображения, выводится в виде цифрового видеосигнала на видеомонитор 4. Например, при уровне детализации вейвлет-преобразования цифрового изображения фиг.2, равном четырем, и пороговом значении веса особых точек вейвлет-преобразования цифрового изображения, равном 200, получают цифровое изображение как на фиг.4, состоящее из совокупности 14 пикселей, соответствующих особым точкам вейвлет-преобразования цифрового изображения фиг.2, и совокупности 15 пикселей, соответствующих фону цифрового изображения фиг.2. Бинарное цифровое изображение фиг.4 выводится в виде цифрового видеосигнала на видеомонитор 4.

После этого при помощи центрального процессора 1 осуществляют сегментацию бинарного изображения в блоке оперативной памяти 2, например, как на фиг.4, при помощи поиска связных компонент пикселей цифрового изображения. Сегментация - это процесс разделения цифрового изображения на несколько сегментов (множества пикселей). Более точно, сегментация изображений - это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики. Связная компонента - топологическое пространство пикселей цифрового изображения, которое невозможно разбить на два непустых непересекающихся открытых подмножества пикселей цифрового изображения. Такие компоненты получают путем объединения граничащих друг с другом пикселей бинарного цифрового изображения в отдельные классы эквивалентности пикселей цифрового изображения. Класс эквивалентности пикселей цифрового изображения - совокупность граничащих пикселей, в соответствие которой ставится числовая метка, отражающая временной порядок нахождения первого пикселя данного класса эквивалентности пикселей цифрового изображения. Нумерация меток начинается от нуля. Нулевая метка соответствует пикселям фона на цифровом изображении, метки со значением «1» соответствуют пикселям объектов на цифровом изображении, например, как на фиг.5. Метка хранится как бинарное значение цифрового сигнала соответствующего пикселя цифрового изображения.

Для осуществления сегментации при помощи центрального процессора 1 определяют классы эквивалентности пикселей бинарного цифрового изображения и присваивают пикселям бинарного цифрового изображения метки, соответствующие классам эквивалентности пикселей бинарного цифрового изображения, анализируя каждый пиксель бинарного цифрового изображения один раз. Если при маркировании пикселя бинарного цифрового изображения выясняют, что ему уже была присвоена метка класса эквивалентности пикселей цифрового изображения и значение этой метки класса эквивалентности пикселей цифрового изображения меньше значения присваиваемой метки класса эквивалентности пикселей цифрового изображения, то осуществляют перемаркирование всех пикселей бинарного цифрового изображения, принадлежащих классу эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения, при помощи метки класса эквивалентности пикселей цифрового изображения с меньшим значением, а также объединение класса эквивалентности пикселей цифрового изображения с большим значением метки класса эквивалентности пикселей цифрового изображения с классом эквивалентности с меньшим значением метки класса эквивалентности пикселей цифрового изображения в один класс эквивалентности пикселей цифрового изображения с меньшим значением метки класса эквивалентности пикселей цифрового изображения. Таким образом, цифровое изображение, где каждому пикселю поставлена в соответствие либо метка фона, равная 0, либо метка класса эквивалентности, соответствующего отдельному сегменту (объекту) цифрового изображения, например, как на фиг.6. Например, цифровое изображение, полученное в результате сегментации цифрового изображения фиг.4, представленное на фиг.7, содержит найденные совокупности пикселей цифрового изображения, соответствующих различным объектам цифрового изображения: первому, второму, третьему, четвертому и пятому, и помеченных соответствующими метками «1», «2», «3», «4», «5», и совокупность пикселей фона, помеченных меткой «0». Цифровое изображение, полученное в результате сегментации, выводится в виде цифрового видеосигнала на видеомонитор 4.

После осуществления анализа всех пикселей цифрового изображения при помощи центрального процессора 1 в блоке оперативной памяти 2 формируют новое цифровое изображение как на фиг.7, на котором отмечают совокупности пикселей каждого класса эквивалентности пикселей цифрового изображения и рассматривают их как сегменты (объекты) исходного цифрового изображения, например, на фиг.7 найден сегмент 16 цифрового изображения фиг.2. Затем получают новое цифровое изображение, например, как на фиг.8, на котором отображают прямоугольную область, содержащую сегмент 16 цифрового изображения фиг.2, и при помощи центрального процессора 1 выводят на видеомонитор 4.

Согласно второму варианту выполнения способа также сначала производят включение устройства в сеть питания. Затем осуществляют загрузку программы, являющейся инструкцией для центрального процессора 1 по выполнению действий для осуществления сегментации цифрового изображения согласно алгоритма, приведенного в приложении 2 к заявке, в блок оперативной памяти 2 при помощи сигналов от компьютерной мыши 5 и клавиатуры 6. Далее при помощи выполнения инструкций загруженной программы сегментации цифрового изображения на центральном процессоре 1 осуществляют загрузку цифрового изображения, например, как на фиг.2, с накопителя на магнитном диске 3 в блок оперативной памяти 2 при помощи сигналов от компьютерной мыши 5 и клавиатуры 6. Далее посредством центрального процессора 1 в блоке оперативной памяти 2 осуществляют получения бинарного цифрового изображения при помощи вейвлет-преобразования цифрового изображения на нескольких уровнях детализации изображения таким же образом, как и в первом варианте способа.

После этого при помощи центрального процессора 1 осуществляют поиск особых точек вейвлет-преобразования цифрового изображения в блоке оперативной памяти 2, как и в первом варианте способа, однако, пороговое значение веса особых точек подбирают таким образом, что точки концентрируются на контурах объектов цифрового изображения и отсутствуют на фоне цифрового изображения, бинарное цифровое изображение формируют, отмечая на нем в качестве пикселей контуров объектов цифрового изображения пиксели, соответствующие по местоположению полученным особым точкам вейвлет-преобразования цифрового изображения, вес которых превышает заданное пороговое значение веса. Например, цифровое изображение как на фиг.2 подвергают вейвлет-преобразованию и разлагают на коэффициенты вейвлет-преобразования до третьего уровня, осуществляют поиск особых точек вейвлет-преобразования цифрового изображения, выделяют только те особые точки вейвлет-преобразования цифрового изображения, которые превышают заданное пороговое значение веса, равное 200, получают таким образом цифровое изображение как на фиг.9 с отмеченной белым цветом совокупностью 17 пикселей, соответствующих особым точкам вейвлет-преобразования цифрового изображения фиг.2, и отмеченной черным цветом совокупностью 18 пикселей, соответствующих фону цифрового изображения фиг.2.

После этого при помощи центрального процессора 1 осуществляют сегментацию бинарного изображения в блоке оперативной памяти 2, при которой пиксели бинарного изображения черного цвета рассматривают в качестве пикселей, принадлежащих контурам цифрового изображения, а пиксели бинарного изображения белого цвета рассматривают в качестве пикселей объектов на изображении. Остальные действия для сегментации цифрового изображения осуществляются, как и в первом способе.

После осуществления анализа всех пикселей цифрового изображения при помощи центрального процессора 1 в блоке оперативной памяти 2 формируют новое цифровое изображение, на котором отмечают пиксели изображения, соответствующие контурам объекта цифрового изображения, и все совокупности пикселей каждого класса эквивалентности пикселей цифрового изображения, кроме совокупности пикселей класса эквивалентности пикселей цифрового изображения, в который входит наибольшее число пикселей изображения. Пиксели этого класса эквивалентности пикселей цифрового изображения считают принадлежащими фону цифрового изображения и на новом цифровом изображении не отмечают. Остальные совокупности пикселей, принадлежащих отдельным классам эквивалентности пикселей цифрового изображения, рассматривают как сегменты (объекты) исходного цифрового изображения, например, как на фиг.10. Полученное цифровое изображение, например, как на фиг.10, при помощи центрального процессора 1 отображают на видеомониторе 4.

Уровень детализации вейвлет-преобразования цифрового изображения и пороговое значение весов особых точек вейвлет-преобразования цифрового изображения согласно первому и второму вариантам способа задают при помощи компьютерной мыши 5 и клавиатуры 6. Значение уровня детализации вейвлет-преобразования цифрового изображения и порогового значения весов особых точек вейвлет-преобразования цифрового изображения определяют в зависимости от размера объекта, имеющегося на цифровом изображении. Например, согласно первому варианту способа для цифрового изображения фиг.2 были выбраны четвертый уровень вейвлет-преобразования цифрового изображения и пороговое значение весов особых точек вейвлет-преобразования цифрового изображения, равное 400. Для осуществления второго варианта способа для цифрового изображения фиг.2 были выбраны третий уровень вейвлет-преобразования цифрового изображения и пороговое значение весов особых точек вейвлет-преобразования цифрового изображения, равное 200.

По сравнению с прототипом решение задачи сегментации достигается только за счет применения математического аппарата вейвлет-преобразования для поиска особых точек вейвлет-преобразования цифрового изображения. Это позволяет ускорить процесс сегментации, а также предоставляет возможность осуществить несложную аппаратную реализацию данного способа.