Algorithm for Calculating the Similarity between Histograms for Texture Segmentation

О.О. Гольцев; О.Д. Гольцев; І.В. Суровцев

doi:10.15407/intechsys.2025.01.003

Автор(и)

О.О. Гольцев Інститут інформаційних технологій та систем НАН України https://orcid.org/0000-0002-1846-6648
О.Д. Гольцев Інститут інформаційних технологій та систем НАН України https://orcid.org/0000-0002-2961-0908
І.В. Суровцев Інститут інформаційних технологій та систем НАН України https://orcid.org/0000-0003-1133-6207

DOI:

https://doi.org/10.15407/intechsys.2025.01.003

Ключові слова:

оброблення зображень, подібність гістограм, текстурні ознаки, сегментація текстури

Анотація

Вступ. Наведено алгоритм обчислення ступеня подібності між багатовимірними гістограмами. Запропонований алгоритм призначений для текстурної сегментації зображень з використанням гістограм як текстурних ознак. Необхідність розробки такого спеціального алгоритму обґрунтована тим фактом, що методи оцінки міри подібності / відмінності між багатовимірними векторами, описані в літературі, надають такі міри, які не дуже підходять для вирішення задачі текстурної сегментації. Основною особливістю запропонованого алгоритму є те, що під час обчислення значення подібності він враховує не лише відповідні компоненти гістограми, а й їхні найближчі сусідні компоненти. Завдяки цьому алгоритм більш адекватно оцінює подібність гістограм. Запропонований алгоритм реалізовано у вигляді комп’ютерної програми як складової частини моделі сегментації зображення. Ефективність алгоритму порівняння гістограм опосередковано підтверджується результатами текстурної сегментації моделі сегментації зображення в експериментах з оброблення різноманітних зображень, у тому числі природних ландшафтів.

Методи. Розглянуто задачу обчислення подібності гістограм. Запропоновано спеціальний алгоритм, оскільки аналогічні методи, описані в літературі, не дуже підходять для вирішення задачі текстурної сегментації. Основною особливістю алгоритму є те, що він враховує як відповідні компоненти гістограми, так і їх найближчі сусідні компоненти. Завдяки цьому алгоритм більш адекватно оцінює подібність гістограм. Алгоритм реалізовано у вигляді комп’ютерної програми. Ефективність алгоритму опосередковано підтверджується результатами текстурної сегментації моделі сегментації зображення в експериментах з обробки різноманітних зображень, у тому числі природних ландшафтів.

Мета. Метою цієї роботи є розробка ефективного алгоритму для оцінки подібності гістограм, таких як гістограми яскравості та гістограми орієнтації вікон текстури. Алгоритм заснований на ідеї врахування не тільки відповідних компонентів обох гістограм, а й компонентів їхнього найближчого оточення.

Результати. Основною перевагою запропонованого алгоритму, порівняно з популярними методами обчислення подібності / відмінності між об’єктами (векторами) є те, що діапазон подібності між порівнюваними гістограмами (від повної подібності до повної відмінності) становить 100%, тоді як популярні методи можуть запропонувати в кілька разів менші діапазони відсотка подібності.

Висновки. Запропонований алгоритм забезпечує широкий діапазон подібності порівнюваних гістограм, який становить 100% (від повної подібності до повної відмінності), тоді як популярні методи можуть запропонувати в кілька разів менші діапазони відсотка подібності. Алгоритм реалізовано у вигляді комп’ютерної програми як складової моделі, що розв’язує задачу сегментації візуального зображення на однорідні текстурні ділянки. Варто зазначити, що запропонований алгоритм порівняння гістограм дуже швидко обчислює міру подібності між гістограмами, оскільки використовує лише прості операції.

Ефективність алгоритму текстурної сегментації зображень на однорідні текстурні області підтверджена результатами експериментів з обробки природних зображень. Результати, отримані в експериментах, демонструють ефективність алгоритму та показують, що алгоритм виконує коректну (з точки зору людини) текстурну сегментацію зображень широкого діапазону. Таким чином, опосередковано підтверджується ефективність ключової операції алгоритму сегментації – алгоритму порівняння гістограм.

Посилання

Kussul E.M., Rachkovskij D.A., Baidyk T.N. On image texture recognition by associativeprojective neurocomputer. ANNIE’91 Conf., Intelligent Engineering Systems through Artificial Neural Networks, St. Louis, 1991, 453–458.

Kussul E.M., Baidyk T.N., Lukovitch V.V., Rachkovskij D.A. Adaptive neural network classifier with multifloat input coding. 6th Int. Conf. “Neuro-Ni mes 93”, Nimes, 1993, 209–216.

Kussul E.M, Baidyk T.N., Wunsch D.C. Neural Networks and Micro Mechanics. Springer, New York, 2010, 210 p. https://doi.org/10.1007/978-3-642-02535-8

Goltsev A. An assembly neural network for texture segmentation. Neural Networks, 1996, Vol. 9 (4), 643–653. https://doi.org/10.1016/0893-6080(95)00136-0

Goltsev A., Wunsch D.C. Inhibitory connections in the assembly neural network for texture segmentation. Neural Networks, 1998, Vol. 11 (5), 951–962. https://doi.org/10.1016/S0893-6080(98)00053-7

Goltsev A.D. Neural networks with the assembly organization. Naukova Dumka, Kyiv, 2005, 200 p. [In Russian]

Melendez J., Puig D., Garcia M.A. Multi-level pixel-based texture classificati on through efficient prototype selection via normalized cut. Pattern Recognition, 2010, Vol. 43 (12), 4113–4123. https://doi.org/10.1016/j.patcog.2010.06.014

Freixenet J., Munoz X., Raba D., Marti J., Cuff X. Yet another survey on image segmentation. 7th European Conf. on Computer Vision (ECCV), Copenhagen, 2002, 408–422. https://doi.org/10.1007/3-540-47977-5_27

Rousson M., Brox T., Deriche R. Active unsupervised texture segmentation on a diffusion based feature space. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR’03): June 16 — June 22 2003, Madison, 2003, Vol. 2, 699–704. https://doi.org/10.1109/CVPR.2003.1211535

Clausi D.A., Deng H. Design-based texture feature fusion using Gabor filters and cooccurrence probabilities. IEEE Transactions on Image Processing, 2005, Vol. 14 (7), 925–936. https://doi.org/10.1109/TIP.2005.849319

Wei H, Bartels M. Unsupervised segmentation using Gabor wavelets and statistical features in LIDAR data analysis. 18th Int. Conf. on Pattern Recognition (ICPR’06): August 20 –August 24 2006, Hong Kong, 2006, Vol. 1, 667–670. https://doi.org/10.1109/ICPR.2006.1145

Yang A.Y., Wright J., Ma Y., Sastry S.S. Unsupervised segmentation of natural images via lossy data compression. Computer Vision and Image Understanding, 2008, Vol. 110 (2), 212–225. https://doi.org/10.1016/j.cviu.2007.07.005

Sebe N., Lew M.S. Texture features for content-based retrieval. In: M.S. Lew (Ed.), Principles of Visual Information Retrieval. Advances in Computer Vision and Pattern Recognition: Springer, 2001, 51–85. https://doi.org/10.1007/978-1-4471-3702-3_3

Hafner J.L., Sawhney H.S., Equitz W., Flickner M., Niblack W. Efficient color histogram indexing for quadratic form distance functions. IEEE Trans. PAMI, 1995, Vol. 17 (7), 729–736. https://doi.org/10.1109/34.391417

Goltsev A., Gritsenko V. Algorithm of sequential finding the characteristic features of homogeneous texture regions for the problem of image segmentation. Cybernetics and Computer Engineering, 2013, Vol. 173, 25–34. [In Russian]

Goltsev A., Gritsenko V., Kussul E., Baidyk T. Finding the texture features characterizing the most homogeneous texture segment in the image. Lecture Notes in Computer Science, Springer, 2015, Vol. 9094, Part I, 287–300. https://doi.org/10.1007/978-3-319-19258-1_25

Goltsev A., Gritsenko V., Husek D. Extraction of homogeneous fine-grained texture segments in visual images. Neural Network World, 2017, Vol. 27, 447–477. https://doi.org/10.14311/NNW.2017.27.024

Goltsev A., Gritsenko I.V., Husek D. Segmentation of visual images by sequential extracting homogeneous texture areas. Journal of Signal and Information Processing, 2020, Vol. 11, 75–102. https://doi.org/10.4236/jsip.2020.114005

Fan J.P., Zeng G.H., Body M., Hacid M.S. Seeded region growing: an extensive and comparative study. Pattern Recognition Letters, 2005, Vol. 26, 1139–1156. https://doi.org/10.1016/j.patrec.2004.10.010

Kamdi S., Krishna, R.K. Image segmentation and region growing algorithm. International Journal of Computer Technology and Electronics Engineering, 2012, Vol. 2, 103–107.

Peng Q. An image segmentation algorithm research based on region growth. Journal of Software Engineering, 2015, Vol. 9, 673–679. https://doi.org/10.3923/jse.2015.673.679

Cleary J.G. Analysis of an algorithm for finding nearest neighbors in Euclidean space. ACM Trans. on Math. Softw., 1979, Vol. 5 (2), 183–192. https://doi.org/10.1145/355826.355832

Rubner Y., Tomasi C., Guibas L.J. The earth mover’s distance as a metric for image retrieval. Int. J. Comput. Vision., 2000, Vol. 40 (2), 99–121.

Deza M., Deza E. Encyclopedia of Distances. Berlin, Heidelberg, Springer, 2014, 733 p. https://doi.org/10.1007/978-3-662-44342-2

Rachkovskij D.A. Introduction to Fast Similarity Search. Kyiv, Interservice, 2019, 294 p. [In Russian]

Gricenko V.I., Rachkovskij D.A. Methods of Vector Representation of Objects for Fast Similarity Assessment. Naukova Dumka, Kyiv, 2019, 312 p. [In Russian]

Rachkovskij D.A. Codevectors: Sparse Binary Distributed Representations of Numerical Data. Interservice, Kyiv, 2019, 200 p. [In Russian]

Rachkovskij D.A. Representation of spatial objects by shift-equivariant similarity-preserving hypervectors. Neural Computing and Applications, 2022, Vol. 34 (24), 22387–22403. https://doi.org/10.1007/s00521-022-07619-1

Goltsev A., Holtsev O. An algorithm for measuring the similarity of histograms for texture image segmentation. WSEAS Transactions on Information Science and Applications, 2024, Vol. 21, 107–115. https://doi.org/10.37394/23209.2024.21.11

Jahne B., Scharr H., Korkel S. Principles of Filter Design. In: B. Jahne, H. Scharr, S. Korkel, B. Jahne, H. Haussecker, P. Geissler (Eds.), Handbook of Computer Vision and Applications, Vol. 2: Signal Processing and Pattern Recognition, Academic Press, San Diego, 2000, 125–152.

Ruiz-Del-Solar J. Neural-based architectures for the segmentation of textures. Proceedings of the 15th International Conference on Pattern Recognition, Barcelona, Spain, 2000, Vol. 3, 1080–1083. https://doi.org/10.1109/ICPR.2000.903733