СБОРНИК СТАТЕЙ
Главная » Статьи » Всего статей |
Влияние комплекса адсорбционно-адгезионных взаимодействий в системе «носитель - компоненты красок (чернил)» для цифровой струйной печати на качество изображения. II. Использование методов кластерного анализа для выделения информационно - значимых составляющих изображения тестового объекта Как было показано ранее, представление гистограммы изображения тест-объекта в виде аддитивного ряда составляющих, описываемых функцией Гаусса-Лапласа, позволило получить ее адекватную математическую модель. Авторами было предложено использовать методы кластерного анализа для выделения таксонов этих составляющих для выделения информационно-значимых элементов изображения тестового объекта для различных типов носителей [1]-[4]. В последнее время для решения подобных задач широко используются алгоритмы агломеративного иерархического группирования объектов и признаков, позволяющие наглядно представлять стратификационную структуру исследуемой совокупности объектов [5]-[8]. Критерием качества выполнения процедуры кластеризации является различие в расстояниях между объектами внутри кластера и расстояниями между соседними кластерами, [9]-[11]. В настоящей работе объекты классифицировались по методу "дальних соседей" с метрикой "квадрат евклидова расстояния". Подобный выбор продиктован особенностью алгоритма "дальних соседей", который заключается в формировании кластеров сферической формы по принципу минимального расстояния объектов внутри класса. Таким образом, реализовалась возможность выделения кластеров, не имеющих пересечения между собой. Принцип, по которому была проведена процедура классификации, для полутонового изображения можно представить следующим образом: Рисунок 1 - Принцип выделения информационно - значимых элементов полутонового изображения тест-объекта на поверхности исследуемых материалов Рисунок 2 - Дендрограмма результатов кластерного анализа (бумага с матовой поверхностью) Как и ожидалось, проведение кластерного анализа показало наличие трех классов пикселей для всех типов бумаг. Это хорошо видно на дендро-грамме и диаграмме рассеяния (рисунки 2, 3). Рисунок 3 - Диаграмма рассеяния по результатам кластерного анализа (бумага с матовой поверхностью). Кластеры: 1 - □, 2 -А, 3 - о; центры тяжести - +. Выполнение процедуры кластерного анализа позволило определить уровни бинаризации для каждого класса информационно-значимых составляющих изображения тестового объекта (табл.). По мнению авторов объекты, составляющие первый класс изображения, (темные полосы растра), являются результатом процессов взаимодействия окрашенных компонент чернил с поверхностью бумаги. Бинаризованные изображения классов информационно-значимых составляющих тестового объекта на бумаге с матовой поверхностью Второй класс представляет собой участки поверхности, с которыми взаимодействие окрашенных и неокрашенных составляющих не наблюдается. Несколько сложнее вопрос о природе объектов, составляющих третий класс элементов изображения. По-видимому, появление этого класса может быть вызвано тремя взаимодополняющими процессами: диффузией растворителя и слабо окрашенных компонент чернил, явлением светорассеяния на крае темной полосы растра, изменением освещенности вдоль полос растра. Таким образом, были получены бинарные изображения классов составляющих полутоновое изображение тест-объекта для всех исследуемых типов носителей. Это значительно упростило дальнейший анализ факторов, которые определяют влияние комплекса адсорционно-адгезионных взаимодействий в системе «носитель - компоненты красок (чернил)» для цифровой струйной печати на качество изображения. Литература 1. Айвазян С.А., Бухштабер В.М., и др. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. 2. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. 3. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. 4. Morrison D.F. Multivariate Statistical Methods, third edition. N. Y.: McGraw-Hill, 1990. 5. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 6. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с. 7. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989. 8. Дюран Б., Оделл П. Кластерный анализ. М.: Финансы и статистика, 1977. 176 с. 9. Классификация и кластер. М.: Мир, 1980. 392 с. 10. Ольдендерфель М.С., Блэшфилд Р.К. Кластерный анализ. М.: Финансы и статистика, 1989. 215 с. 11. Дюк В. Обработка данных на ПК в примерах. СПб: Питер, 1997. 240 с. | |
Просмотров: 689
| Теги: |
Всего комментариев: 0 | |