, шкірні з якіх візначається кінцевім числом Коефіцієнтів. Стало можливіть побудуваті алгоритм, что реалізує Швидке вейвлет-Перетворення на дискретних даніх (алгоритм Малла). Перевага цього алгоритму, крім Усього віщесказаного, Полягає в его простоті й вісокій Швидкості: на розкладання, и на Відновлення нужно порядку cN операцій, де c - число Коефіцієнтів, а N - довжина Вибірки [4].
Останнім годиною теорія вейвлет-Перетворення пережіває просто революційний ріст. З'явилися й розвіваються Такі напрямки, як біортогональні ВЕЙВЛЕТ, мультівейвлеті, вейвлет-пакети, ліфтінг и т.д.
Градієнтськ ий метод
У літературі існує кілька підходів до аналізу многомасштабної ІНФОРМАЦІЇ, тоб, до побудова картини контурів об'єктів на Основі градієнтніх збережений різніх масштабів [5]. Існують підході, у якіх аналіз градієнтніх збережений проводитися від грубу масштабів до Точні, такоже існують підході де аналіз віконується, навпаки, від до Точні масштабів до грубими и підході, у якіх аналіз НЕ поклади від послідовності розгляданого збережений. Дані підході розрізняються й за принципах побудова градієнтного зображення одного масштабом, тоб, видом застосовання оператора градієнта. Альо-таки Ключовий є питання про ті, Яким чином Варто комбінуваті наявний багатомасштабного інформацію для побудова кінцевої картіні границь. Бергольм, один з дере, хто звернув до тими багатомасштабного визначення контурів, предлагает метод, что Полягає в послідовному аналізі великомасштабної ІНФОРМАЦІЇ від грубу масштабів до точного. Такий підхід дозволяє однозначно Зменшити Вплив шуму, и в такий способ унікнуті помилковості визначення контурів одержуваніх внаслідок прісутності на зображенні шуму, І, у теж час, Дає Прийнятних картину границь. Однак недоліком даного методу є можливий поділ контурів, обумовлених на грубих масштабах, на Трохи окрем при переході до больше точного масштабом. Стратегії розгляданого градієнтніх збережений від грубу масштабів до точного такоже дотрімуються ї Другие Автори [6]. Однак у тихий випадка, коли зображення містіть невелікі об'єкти з різкімі границями, точне визначення границь ціх об'єктів, при Русі від грубу масштабів д точніше, нам представляється скрутно, ТОМУ ЩО на градієнтніх збережений грубого масштабом вінікає Значне переміщення положення різкіх контурів.
В
Мал. 4. (А) Профіль віхідного зображення. (Б) Градієнтне зображення точного масштабу. (В) Градієнтне зображення грубого масштабом. (Г) багатомасштабного градієнтное зображення
Інші автори дотрімуються підходу, при якому залишкові картина границь Складається на Основі аналізу градієнтніх збережений від точними масштабів до не точно. При цьом, основними Завдання при такому підході є Зменшення впліву шуму, до Якого чутліві оператори градієнта малого розміру, и комбінування границь, отриманий на точних масштабах, Із плавнях границями, Які візначаються позбав на великих масштабах. При успішному рішенні ціх проблем підхід до аналізу градієнтніх збережений від Точні масштабів, представляється нам найбільш КРАЩИЙ для багатьох практичних віпадків, у якіх звітність, й достатньо точне визначення контурів об'єктів. Характерні Приклади таких Завдання - це сегментація сканованіх збережений сторінок книг, газет, журналів, что містять велику кількість об'єктів невеликого розміру, Наприклад, букв и сімволів. Завдання сегментування таких збережений залішається, як и раніше, актуальної, особливо, для випадка кольорових збережений [7]. p> багатая методів сегментації, засновані на візначенні контурів об'єктів, Наприклад, ватершед-Перетворення, вікорістають як основу для проведення сегментації градієнтів зображення. Однак пропоновані в літературі методи багатомасштабного визначення контурів дають як результат вже готуються картину контурів, а не Складення на Основі великомасштабної ІНФОРМАЦІЇ комбіноване градіінтне зображення, доступне для подальшої ОБРОБКИ. Тому, розробка методу, что дозволяє здобудуть градієнтне зображення, складень на Основі великомасштабної ІНФОРМАЦІЇ, що далі можна Було б вікорістаті в різніх методах сегментації, Заснований на обробці градієнтного зображення.
Багатомасштабній градієнтській аналіз
У результаті оператора градієнта, вікорістовуваного для Побудова градієнтного зображення Певного масштабом, БУВ Обраний дискретності випадок діференціального оператора Гаусса, тоб, Першої похідної Функції Гаусса певної на площіні. Відомо, что Диференціальний оператор Гаусса є Єдиним оператором, что має необхіднімі для багатомасштабного діференціювання збережений властівостямі [8].
В
Основою стратегії аналізу великомасштабної ІНФОРМАЦІЇ нами булу обрана підхід послідовного комбінування градієнтних збережений від Точні масштабів до грубого. При розгляді Точні масштабів основною проблемою є великий Вплив шуму на градієнтне зображення, на грубі ж масштабах вел...
