Ανάπτυξη τεχνικών μείωσης των χρωμάτων σε εικόνες

Abstract

This PhD presents new methods for the reduction of colors in gray and color images, as well as new methods for the estimation of the number of image's dominant colors. Most of the proposed methods are based on powerful self-organized neural network classifiers. More analytically, the following techniques are developed: For gray-scale images, three new methods are presented for the estimation of the number of image dominant colors, which are based on histogram information. In addition, extensions of these techniques are proposed for color images that utilize the Principal Components Analysis (PCA) to construct histograms that allow the estimation of the number of principal colors. For color reduction of gray-scale images, a new method is proposed where the gray-level value of each pixel is related to local spatial features extracted from its neighboring region. Doing this, the one-dimensional histogram-clustering approach is converted to a multidimensional feature-clustering technique. The proposed technique is based on a powerful classifier, which consists of a PCA neural network and a Kohonen Self-Organized Feature Map neural network (Kohonen SOFM). To improve the subsampling procedure and to speed up the entire algorithm, a fractal scanning sub-sampling technique is applied which is based on the Hilbert's space filling curve. A new color reduction method for color images, the Adaptive Color Reduction method (ACR), is presented which is based on the PCA-Kohonen SOFM classifier. The proposed technique consecutively split and merges the produced color classes in such a way that the initial image to be adaptively decomposed into a number of color planes. Applying this tree driven splitting and merging procedure, optimal quantization results are achieved and the number of final classes are automatically estimated. A new method for Page Layout Analysis of color documents is presented that uses the ACR color reduction technique. Specifically, using the ACR technique, the initial color document is decomposed into a proper number of color planes. In each color plane the position of text is obtained and finally, using a merging procedure, the document's text areas are identified.

Στην παρούσα διδακτορική διατριβή αναπτύχθηκαν νέες μέθοδοι για τη μείωση των αποχρώσεων σε γκρι και έγχρωμες εικόνες καθώς και νέες μέθοδοι ανίχνευσης του πλήθους των κύριων χρωματικών αποχρώσεων αυτών. Οι περισσότερες από τις προτει- νόμενες τεχνικές βασίζονται σε αυτο-οργανούμενα νευρωνικά δίκτυα ταξινόμησης δια- νυσμάτων. Συγκεκριμένα, έχουν αναπτυχθεί οι ακόλουθες τεχνικές: Τρεις νέες μέθοδοι για την ανίχνευση του πλήθους των κύριων χρωματικών απο- χρώσεων σε γρι εικόνες που βασίζονται στην πληροφορία του ιστογράμματος αυτών. Επίσης, προτείνεται η επέκταση των παραπάνω μεθόδων σε έγχρωμες εικόνες, χρησιμο- ποιώντας την ανάλυση κύριων συνιστωσών για τη κατασκευή κατάλληλων ιστογραμ- μάτων, που επιτρέπουν την εύρεση των κύριων χρωματικών συγκεντρώσεων. Μια μέθοδος για τη μείωση των αποχρώσεων σε γκρι εικόνες που επιτρέπει τη μείωση των γκρι αποχρώσεων λαμβάνοντας υπόψη όχι μόνον τις αποχρώσεις της ει- κόνας αλλά και πρόσθετα χωρικά χαρακτηριστικά τα οποία εξάγονται από τη γειτονιά του κάθε εικονοστοιχείου. Με τον τρόπο αυτόν το πρόβλημα της μείωσης των φωτεινο- τήτων μετατρέπεται σε πρόβλημα βέλτιστης ταξινόμησης διανυσμάτων. Για την ταξι- νόμηση των διανυσμάτων χρησιμοποιείται ένας ταξινομητής που είναι η σύνθεση των νευρωνικών δικτύων Principal Component Analyzer (PCA) και του νευρωνικού ταξινο- μητή Kohonen Self Organized Feature Map (Kohonen SOFM). Για τη βελτιστοποίηση της υποδειγματοληψίας των εικόνων και την επιτάχυνση όλης της μεθόδου, προτείνεται μια νέα μέθοδος η οποία βασίζεται στην καμπύλη πλήρωσης χώρου του Hilbert. Μια νέα μέθοδος μείωσης χρώματος έγχρωμων εικόνων, η ?Προσαρμοστική Μέθοδος Μείωσης Χρώματος? (Adaptive Color Reduction method – ACR), που βασί- ζεται στον ταξινομητή PCA-Kohonen SOFM. Η προτεινόμενη μέθοδος διασπά και συγ- χωνεύει με επαναληπτικό τρόπο το χώρο των χρωμάτων και των χαρακτηριστικών με τρόπο προσαρμοστικό. Η εξέλιξη του αλγόριθμου σχηματίζει αναπτυσσόμενο δέντρο, ενώ ο τελικός αριθμός των κλάσεων υπολογίζεται αυτόματα.