ПОЛІПШЕННЯ ПІВТОНОВИХ ЗОБРАЖЕНЬ НА ОСНОВІ АВТОМАТИЗОВАНОЇ ОЦІНКИ ЯСКРАВОСТІ НЕЧІТКИХ ФУНКЦІЙ НАЛЕЖНОСТІ
DOI:
https://doi.org/10.32782/KNTU2618-0340/2021.4.1.2Ключові слова:
обробка зображень, нечітка функція приналежності, нечіткі множини тіпу_2, сингулярне розкладанняАнотація
Зображення, сформовані різними системами, які є результатом стандартних методів дослідження, часто мають якість, недостатню для проведення достовірного аналізу. Вони містять спотворення, обумовлені як системою їх формування, так і методами подання та відображення в системі обробки. Для підвищення достовірності аналізу зображень необхідне поліпшення їх візуальних характеристик з точки зору виявлення об'єктів інтересу для вирішення конкретного завдання. Сучасний підхід до вирішення завдання аналізу зображень через неточність, неповноту вихідних даних та неоднозначність алгоритмів обробки (наприклад, при визначенні класів, регіонів/меж об'єктів) базується на використанні нечітких методів. В роботі розглянуто інформаційні можливості характеристик, синтезованих на основі методу сингулярного розкладання в нечіткому просторі ознак для поліпшення якості напівтонових зображень. Описано існуючі підходи застосування нечітких функцій типу_2 і вплив способу їх формування на одержуваний результат. Запропонований в роботі алгоритм використовує для переходу до нечітких множин типу_2 статистичні характеристики нечітких функцій приналежності типу_1. Запропоновано метод автоматизованого відбору найбільш інформативних нечітких складових, на основі аналізу їх характеристик яскравості, на етапі дефаззифікації із застосуванням сингулярного розкладання. Представлено алгоритм та експериментальні результати на прикладі реального мікроскопічного зображення для різних методів попередньої обробки вихідних даних, які демонструють, що попередня обробка вихідних даних істотно впливаює на чутливість перетворення. Показано, що перехід в нечіткий простір ознак типу_2 та подальше застосування сингулярного перетворення з попереднім відбором найбільш інформативних нечітких функцій приналежності, що інтерпретуються як зображення, на основі автоматизованої оцінки їх яскравості, забезпечує поліпшення візуальних характеристик напівтонових знімків.
Посилання
Bezdek J.C., Keller J., Krishnapuram R., Pal N.R. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing. Handbooks of Fuzzy Sets series. Boston: Kluwer Academic Publisher 1999. 678 p.
Tizhoosh H.R., HauBecker H. Fuzzy Image Processing: An Overview. Handbook on Computer Vision and Applications. Academic Press. 1999. Vol. 2. P. 683–727.
Fuzzy Sets and Their Extensions: Representation, Aggregation and Models / edited by Bustince H., Herrera F., Montero J. Springer, 2008. 674 p.
Bloch I. Signal and Image Processing. Telecom ParisTech, 2008. 295 p.
Handbook of Biomedical Imaging / edited by Paragios N., Duncan J., Ayache N. Springer, 2015. 308 p.
Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning. Information Sciences. 1975. Vol. 8. P. 199–249.
Сhi Z., Yan H., Pham T. Fuzzy algorithms: With Applications to Image Processing and Pattern Recognition. Singapore; – New Jersey; – London; – Hong Kong : Word Scientific, 1998. 225 p.
Castillo O., Melin P. Type-2 Fuzzy Logic: Theory and Applications. Springer-Verlag, 2008. 223 p.
Mendel J.M., John R. Type 2 Fuzzy Sets Made Simple. IEEE Transactions On Fuzzy Systems. 2002. Vol. 10. No 2. P. 117–127.
Mendel J.M., Robert I.J., Feilong L. Interval Type 2 Fuzzy Logic Systems Made Simple. IEEE Transactions on Fuzzy Systems. 2006. Vol. 14. No 6. P. 808–821. https://doi.org/10.32782/KNTU2618-0340/2021.4.1.2
Akhmetshina L., Yegorov A. Iprovement of Grayscale Images in Orthogonal Basis of the Type‐2 Membership Function. CMIS-2021: The Fourth International Workshop on Computer Modeling and Intelligent Systems, Zaporizhzhia, April 27 2021. P. 465–474.
