GRAYSCALE IMAGES IMPROVEMENT BASED ON AUTOMATED BRIGHTNESS ESTIMATION OF FUZZY MEMBERSHIP FUNCTIONS

Авторы

DOI:

https://doi.org/10.32782/KNTU2618-0340/2021.4.1.2

Аннотация

Images that were generated by various systems, which are the result of standard research methods, often have insufficient quality for reliable analysis. They contain distortions caused both by the system of their formation and by the methods of presentation and showing in the processing system. To increase the reliability of image analysis, it is necessary to improve their visual characteristics in terms of identifying objects of interest for solving a specific problem. The modern approach to solving the problem of image analysis due to inaccuracy, incompleteness of initial data and ambiguity of processing algorithms (for example, when determining classes, regions/boundaries of objects) is based on the usage of fuzzy methods. This paper considers the information capabilities of characteristics synthesized on the basis of the method of singular value decomposition in a fuzzy feature space for improving the quality of grayscale images. The existing approaches to the usage of fuzzy functions of type_2 and the influence of the method of their formation on the result are described. The proposed algorithm uses the statistical characteristics of fuzzy membership functions of type_1 for transition to fuzzy sets of type_2. Proposed in this work method allows the automated selection of the most informative fuzzy components, based on the analysis of their brightness characteristics, at the stage of defuzzification using singular decomposition. The algorithm of proposed method and experimental results are presented on the example of a real microscopic image for various methods of preprocessing of the initial data, which demonstrate that the preprocessing of the initial data significantly affects the sensitivity of the transformation. It is shown that the transition to a fuzzy space of type_2 features, followed by the usage of a singular transformation with a preliminary selection of the most informative fuzzy membership functions, which are interpreted as images, based on an automated estimation of their brightness, provides an improvement in the visual characteristics of grayscale images.

Зображення, сформовані різними системами, які є результатом стандартних методів дослідження, часто мають якість, недостатню для проведення достовірного аналізу. Вони містять спотворення, обумовлені як системою їх формування, так і методами подання та відображення в системі обробки.  Для підвищення достовірності аналізу зображень необхідне поліпшення їх візуальних характеристик з точки зору виявлення об'єктів інтересу для вирішення конкретного завдання. Сучасний підхід до вирішення завдання аналізу зображень через неточність, неповноту вихідних даних та неоднозначність алгоритмів обробки (наприклад, при визначенні класів, регіонів/меж об'єктів) базується на використанні нечітких методів. В роботі розглянуто інформаційні можливості характеристик, синтезованих на основі методу сингулярного розкладання в нечіткому просторі ознак для поліпшення якості напівтонових зображень. Описано існуючі підходи застосування нечітких функцій типу_2 і вплив способу їх формування на одержуваний результат. Запропонований в роботі алгоритм використовує для переходу до нечітких множин типу_2 статистичні характеристики нечітких функцій приналежності типу_1. Запропоновано метод автоматизованого відбору найбільш інформативних нечітких складових, на основі аналізу їх характеристик яскравості, на етапі дефаззифікації із застосуванням сингулярного розкладання. Представлено алгоритм та експериментальні результати на прикладі реального мікроскопічного зображення для різних методів попередньої обробки вихідних даних, які демонструють, що попередня обробка вихідних даних істотно впливаює на чутливість перетворення. Показано, що перехід в нечіткий простір ознак типу_2 та подальше застосування сингулярного перетворення з попереднім відбором найбільш інформативних нечітких функцій приналежності, що інтерпретуються як зображення, на основі автоматизованої оцінки їх яскравості, забезпечує поліпшення візуальних характеристик напівтонових знімків.

Библиографические ссылки

Bezdek, J.C., Keller, J., Krishnapuram, R., & Pal, N.R. (1999). Fuzzy Models and Algorithms for Pattern Recognition and Image Processing. Handbooks of Fuzzy Sets series. Boston : Kluwer Academic Publisher.

Tizhoosh, H.R., & HauBecker, H. (1999). Fuzzy Image Processing: An Overview. Handbook on Computer Vision and Applications. Academic Press. 2, 683–727.

Bustince, H., Herrera, F., & Montero, J. (Ed.) (2008). Fuzzy Sets and Their Extensions: Representation, Aggregation and Models. Springer.

Bloch, I. (2008). Signal and Image Processing. Telecom ParisTech.

Paragios, N., Duncan, J., & Ayache, N. (Ed.) (2015). Handbook of Biomedical Imaging / edited by Springer. 2015. 308 p.

Zadeh, L.A. (1975). The concept of a linguistic variable and its application to approximate reasoning. Information Sciences. 8, 199–249.

Сhi, Z., Yan, H., & Pham, T. (1998). Fuzzy algorithms: With Applications to Image Processing and Pattern Recognition. Singapore; – New Jersey; – London; – Hong Kong : Word Scientific.

Castillo, O., Melin, P. (2008). Type-2 Fuzzy Logic: Theory and Applications. Springer-Verlag 2008. 223 p.

Mendel J.M., John R. Type 2 Fuzzy Sets Made Simple. IEEE Transactions On Fuzzy Systems. 10, 2, 117-127.

Mendel, J.M., Robert, I.J., & Feilong, L. (2006). Interval Type 2 Fuzzy Logic Systems Made Simple. IEEE Transactions on Fuzzy Systems. 14, 6, 808-821.

Akhmetshina, L., & Yegorov, A. (2021). Improvement of Grayscale Images in Orthogonal Basis of the Type‐2 Membership Function. CMIS-2021: The Fourth International Workshop on Computer Modeling and Intelligent Systems, Zaporizhzhia, April 27 2021, pp.. 465–474.

Опубликован

2021-08-15

Как цитировать

AKHMETSHINA, L. ., & YEGOROV, A. . (2021). GRAYSCALE IMAGES IMPROVEMENT BASED ON AUTOMATED BRIGHTNESS ESTIMATION OF FUZZY MEMBERSHIP FUNCTIONS. APPLIED QUESTIONS OF MATHEMATICAL MODELLING, 4(1), 23-31. https://doi.org/10.32782/KNTU2618-0340/2021.4.1.2