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.