Szegmentálás

A szegmentálás során először osztályozzuk a képpontokat valamilyen sajátságvektor szerint, majd megkeressük a kapott osztályozásra nézve összefüggő képpont halmazokat, azaz tartományokat. A továbbiakban az értékes tartományokat nevezzük objektumoknak. Ezekről feltételezzük, hogy megfelelnek a leképzett valóságos tárgyakat határoló felületeknek, illetve metszésvonalaiknak, bár a sajátságvektorok kialakításánál erre nem voltunk tekintettel. A problémát a harmadik dimenzió hiánya jelenti, emiatt az eredmények néha erősen torzulhatnak. Rekonstruálásra számos módszert dolgoztak ki, amelyekkel e tárgykör sajnos nem foglalkozik.

A szegmentálás sikere döntően az előre kialakított definíciókon múlik. A következőket kell meghatározni:

- a sajátságvektorokat, dimenziószámuk 1-4, legtöbbször a világosság- vagy színkódokat, illetve az ezekből leszármaztatott sajátságokat elemzik.
- a távolságfüggvényt, ezzel mérjük a sajátságvektorok távolságát a sajátságtérben
- a küszöböket, esetleg valamilyen összetettebb döntésfüggvényeket, távolságuk ismeretében ezek alapján sorolunk két pontot azonos vagy különböző osztályba
- az osztályok jellemzőit, sajátságaikat, számukat, azonosítójukat, esetleg sajátszínüket, stb.; egyes esetekben a pontos osztálydefiníciókat tanítók megadása helyettesíti.

A szegmentálás tulajdonképpen úgy történik, hogy meghatározzuk minden képpont sajátságvektorát, majd mindegyiket abba az osztályba soroljuk, amelyiktől elég kicsi s-távolságra van a választott küszöbök szerint. Végül megkeressük az egy osztályba sorolt, összefüggő ponthalmazokat.
Mivel a szegmentálás minden további feldolgozási lépés alapja, nagyon fontos, hogy minél pontosabban végezzük el.

Foltelemzés

Az egy osztályba tartozó (4)-összefüggő tartományokat foltoknak nevezzük, ha a sajátságvektorok hasonlósági jellemzőket mérnek. A továbbiakban a foltok kijelölésére, illetve a megtalált foltok elemzésére irányuló eljárásokkal foglalkozunk.

Foltok kijelölése

A szegmentálás jóságát az egyes foltokat alkotó képpontok homogenitása jellemzi, vagyis az, hogy mennyire hasonlók. Ideális esetben a foltok belső pontjainak sajátságvektorának közel egyenlőnek kell lenniük. Az ezekből fakadó követelményeket egyidejűleg szinte lehetetlen kielégíteni. Elfogadható eredményeket csak kompromisszumok árán lehet elérni és csak akkor, ha a szegmentálás előtt megfelelő képkorrekciót végzünk.

Globális módszerek

A gyakorlatban figyelembe vehető globális képjellemző a hisztogram. Ez egydimenziós érték. Megkeresik a csúcspontokat - a módusokat, illetve a közöttük lévő völgypontokat, majd ez utóbbiakat küszöbként használva képvágást végeznek. 
Ha a hisztogram kétmódusú, a foltokat két szintre vágással alakíthatjuk ki.

Kettőnél több módusú hisztogram esetében a vágási küszöböket a hisztogram közelítő normális sűrűségfüggvények metszéspontja határozza meg.

Lokális módszerek

A globális eljárások közös gyengéje, hogy nem tudják figyelembe venni a geometriai követelményeket, ezért a vágás után a foltok gyakran kilyukadnak, a határvonalak zajosak vagy kiszélesednek.
A lokalitás viszonylagos fogalom. Általában lokálisnak nevezzük azokat a módszereket, ahol a pontnak 3x3, 5x5, de legfeljebb 15x15 képpont méretű környezetét elemezzük. A figyelembe vett környezet technikai okokból legtöbbször négyzet alakú és páratlan oldalhosszú. 
Kedvelt módszerei: 
- összefűzés: addig fűzzük a képpont egyes szomszédait, amíg a világosságkódjuk különbsége egy adott küszöbnél kisebb.
- növesztés: jó futási időket lehet elérni ezzel a soronkénti technikával. A lényege, hogy soronként metszetet készítünk a képekből és az elmetszett foltokat azonosítják, ha megegyeznek az előző sorban lévő foltokkal és a helyeik is kapcsolódik akkor össze növesztik őket, lehet több sorfolt is egybe kerül az előző sor egy vagy több foltjával.

Foltvizsgálat

A továbbiakban a foltokra szegmentált képből indulunk ki. Igen gyakori feladat a megtalált foltok terület szerinti osztályozása, ill. eloszlásuk meghatározása.

Hámozás (erózió)

A képhibák miatt a foltkeresési eljárással nyert foltok sokszor nem feleltethetők meg egyik objektumtípusnak sem azok közül, amelyeket a képen keresünk. Legtöbbször arról van szó, hogy a térben közeli, vagy a felvétel irányából egymást takaró objektumok képe egybeolvad. Ha konvex objektumokat keresünk, a túl nagy területű konkáv foltokat a hámozási technikával bonthatjuk szét. Az eljárás neve onnan ered, hogy minden lépésben lehámozzuk a folt legkülső rétegét mindaddig, amíg a további zsugorítás már nem lehetséges. Az eljárás akkor vezet kielégítő eredményre, ha az egyes lépésekben felváltva 4- ill. 8-szomszédságot vesszük figyelembe, mert a zsugorodás így lesz a legegyenletesebb. 

Foltok szétválasztása hámozással

Mintaillesztés

A valóságos objektumokra sok esetben a megfelelő foltok geometriai alakjának vizsgálatával következtethetünk. Gyakori eset, hogy ismerjük a lehetséges objektumok igazi alakját, előre megadott minták formájában, amelyek meghatározzák a lehetséges osztályokat. Az egyes foltokat abba az osztályba soroljuk, amelyiknek mintájához a legjobban hasonlítanak. A kellő hasonlóságot numerikus vagy grafikus eljárásokkal állapítjuk meg. 
Foglaljuk be a mintákat egy-egy (2m+1)*(2n+1) képpont méretű ablakba, ekkor az illeszkedés pontossága az

mennyiség jellemzi egy adott képpontban, ahol tetszőleges metrika, m_i(s,t) pedig az i-edik mintát leíró függvény. A (k,l) pont környezetében akkor találtuk meg az i-edik mintát, ha ott ez e_i hibafüggvény a legkisebb és kisebb egy adott küszöbnél.

Élkitűzés

Élkitűzésen az élekhez tartozó képpontok megkeresését értjük. Ilyenkor általában csak két osztályt különböztetünk meg: az egyiket az élpontok alkotják, az összes többi képpont háttérpont. Megjelenítéskor az éleket az élosztály sajátszínére színezzük át, a háttérpontokat vagy változatlanul hagyjuk, vagy mind háttérszínű lesz.

A zajos képek feldolgozásakor a legnagyobb nehézséget az okozza, hogy egyrészt az élpontoknak minősített képpontok nem alkotnak folytonos vonalat, másrészt olyan pontok is élgyanúnak minősülhetnek, amelyek nem tartoznak egyetlen folt kontúrvonalához sem. Emiatt az élkitűző eljárások rendszerint kétmenetesek, az első menetben történik meg az élgyanús pontok kijelölése a másodikban ezek szelektálásával, kiegészítésével kapjuk meg a valódi élpontokat.

Élgyanús pontok kijelölése

A leggyakoribb feladat az élek meghatározása a világosságkódok hirtelen változásaiból. Az átmenet ritkán ideális lépcső. A zajos képekben az arányok eltolódnak, erős aszimmetriák lépnek fel. Az élgyanús pontokat ott szokás kijelölni, ahol az átmeneti görbe inflexiós pontja vagyis differencia-görbe maximuma van. 
Egy képpont akkor élgyanús, ha ott a gradiens nagyobb egy küszöbértéknél. Értékét a pontos összefüggés helyett inkább az adott közelítő képlet alapján számoljuk ki, de közkedvelt a

Roberts operátor is. az operátor legfőbb hibája, hogy a vizsgált pontra nézve aszimmetrikus. Ennek kiküszöbölésére számos konvolúciós szűrőt dolgoztak ki. Emellett gyakran használják a Laplace-operátort és a Söbel-operátort is. Az utóbbi külön x és y irányú éleket detektáló szűrőből áll:

S_x = ;   S_y =

A gradiens közelítési hibája 1 szűrő használata esetén 50% is lehet, a kétkomponensű szűrők ebből a szempontból is kedvezőbbek (a hiba közel 0-ra is csökkenhet).

Élkorrekció

Mint már említettük, egyik élkijelölő eljárás sem ad a szem számára kifogástalan eredményt, pusztán a világosságkódok elemzésével ilyet nem is lehet elérni. Kellően sima és zárt éleket csak az 1. menetben felderített élgyanús pontok eloszlásának vizsgálatával és szükség szerinti korrigálásával kaphatunk. A cél a valódi élekben keletkezett szakadások összekötése és a hamis élpontok törlése.

Élkorrekciók fajtái:

- görbeillesztési eljárások
- sokszöges közelítés
- Hough-transzformáció
- heurisztikus algoritmusok: lényege a megkezdett irányok folytatásán alapszik
- fogyasztás (thining)

A felsorolt elemzési módszereket bemutató on-line képfeldolgozási eljárással működő speciális web-oldal, megtekinthető a következő címen:

http://iptutor.freeservers.com/list_of_applets.htm#

(a hyperlink működéséhez Internet kapcsolatra van szükség!)

Az oldalon az elemzési eljárások, mellett különböző képkorrekciós eljárásokat bemutató Java applet-ek is vannak, melyek szintén megkönnyítik a tárgyalt korrekciós eljárások, szűrők hatásainak megértését.